[原创代码] powershell 网页爬虫获取时光网电影数据库

gflrlm

目的： 用powershell获取时光网所有的电影数据库 ， 网址格式是 www.movie.mtime.com/$id/ ， 其中$id 为时光网电影的id号 ，唯一标示。
最终生成的文件名字是all_database_movie.csv ，里面的格式为 《 ID；片名；更多片名；电影类型；国家地区》如下， 按照分号分割，用excel打开的时候选中第一列，然后选择“数据->分列->分割符合->分号->完成”可以显示到 每个表格，如图所示：

12556;Halloween(1978)万圣节 ;月光光心慌慌+抓鬼节+;恐怖+惊悚+;美国+;
12557;Halloween III: Season of the Witch(1982)万圣节3 ;月光光心慌慌3+鬼节+;悬疑+科幻+恐怖+;美国+;
12558;Halloween: Resurrection(2002)月光光心慌慌之大屠杀 ;战栗On-line+万圣节8：复活+;惊悚+恐怖+;美国+;
12633;Spider-Man(2002)蜘蛛侠 ;蜘蛛人+;动作+冒险+;美国+;
12634;Spider-Man 2(2004)蜘蛛侠2 ;蜘蛛人2+;动作+冒险+;美国+;

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
使用方法：保存下面的代码为《000___mtime_抓取电影网页-选数据-逗号分列.ps1》， 然后设置以下参数：   
$start_id  表示要访问的时光网电影id，1是最小值。
$end_id 表示要访问  mtime 电影 id end ， 貌似目前最大的ID = 249736
$web_request_enable 表示是否去访问mtime.com网页 ，因为有时候你可能已经访问过某个特定id的网页， 所以就不需要重复访问。每访问一个网页id，会生成一个id.txt文件，里面包含了网页源代码html格式。
$start_id_txt     表示需要解析的 mtime 电影 id start 12000
$end_id_txt      表示需要解析的 mtime 电影 id end  34002
// 由参数设置可以看出，访问mtime 和 解析 id.txt文件是可以独立分开的，提高速度。 后面我还会写一篇文章，采用并行处理方法来解析20万个id.txt！

  $start_id      = 12345                       # mtime 电影 id start
  $end_id        = 12500                       # mtime 电影 id end ， 貌似目前最大的ID = 249736
  $web_request_enable = 1                  # 0： 不访问mtime    1： 访问mtime
  $start_id_txt  = 12000           # 需要解析的 mtime 电影 id start 12000
  $end_id_txt    = 34002           # 需要解析的 mtime 电影 id end  34002
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

$USING_PARAM_ENABLE=0


  $Path ="D:\"
  $Filter = '*.*'
  $_Debug = 1
  
  Write-Host ""
  Write-Host "请输入要搜索的文件夹路径：例如  D:\test"
  if ($_Debug) {
     $Path = "D:\迅雷下载\..torrents"
  } else {
     $Path = Read-Host
  }
  #if([String]::IsNullOrEmpty($Path))
  
  if(!(Test-Path $Path))
  {
     $Path =".\"
     Write-Host "您输入文件夹路径不存在，取当前目录查找：Path = "$Path
  }

  Write-Host ""
  Write-Host ""
  Write-Host "Path   = " $Path

  if ($_Debug) {
     $MySearchString_tmp = "name\d+:(.*?):name"
  } else {
     Write-Host "请输入要搜索的字符串："
     $MySearchString_tmp = Read-Host
  }


  # D:\MyProject\ 指定要递归遍历查找的目录
  # *.cs  要查找的文件
  # myString 要查找的字符串
  $found = 0;
  #只显示文件，不显示文件夹
  #$fileList = Get-ChildItem -Path $Path -Filter $Filter -Recurse | ?{$_.PsIsContainer -eq $false}| %{$_.FullName}
  
 
 
if($USING_PARAM_ENABLE){
  Write-Host "start_id_txt_param = $start_id_txt_param"
  Write-Host "end_id_txt_param   = $end_id_txt_param"
  Write-Host "call_cnt           = $call_cnt"
  $all_database_movie = ".\all_database_movie---$call_cnt.csv"
  $all_database_movie_page_error = ".\all_database_movie_page_error---$call_cnt.csv"
  $all_database_movie_page_404 = ".\all_database_movie_page_404---$call_cnt.csv"
} else {
  $all_database_movie = ".\all_database_movie.csv"
  $all_database_movie_page_error = ".\all_database_movie_page_error.csv"
  $all_database_movie_page_404 = ".\all_database_movie_page_404.csv"
}
  if((Test-Path $all_database_movie))  {
    #Remove-Item $all_database_movie
  }
  if((Test-Path $all_database_movie_page_error))  {
    #Remove-Item $all_database_movie_page_error
  }
  if((Test-Path $all_database_movie_page_404))  {
    #Remove-Item $all_database_movie_page_404
  }

  $fileList = New-Object -TypeName System.Collections.ArrayList 

[color=Red]  $start_id      = 12345                       # mtime 电影 id start
  $end_id        = 12500                   # mtime 电影 id end ， 貌似目前最大的ID = 249736[/color]
if($USING_PARAM_ENABLE){
  $start_id_txt  = $start_id_txt_param           # mtime 电影 id start 12000
  $end_id_txt    = $end_id_txt_param           # mtime 电影 id end  34002
} else {
  $start_id_txt  = 12000           # mtime 电影 id start 12000
  $end_id_txt    = 34002           # mtime 电影 id end  34002
}
  $filter_txt    = "*.txt"                 # 选择要解析的电影文件名 
  $retry_cnt     = 0                       # 网页打不开的重新访问counter
  $retry_times   = 4                       # 网页打不开的重新访问 retry 次数
  $str_connection        = "+"             # item 连接符    ，例如： 美国+日本+中国
  $str_connection_spaces = ";"             # fullname连接符 ，例如： 谍影重重;美国;动作+剧情
  $web_request_enable = 1                  # 0： 不访问mtime    1： 访问mtime
  $database_path="D:\mtime_database"
  if ($web_request_enable) {                                  
    for ($x=$start_id; $x -lt $end_id; $x++)
    {
      $retry_cnt=0
      Write-Host "Processing : [url]http://movie.mtime.com/[/url]$x/"
      if((Test-Path $database_path\$x.txt))   {
        continue
      }
      do {
           $webcontent=Invoke-RestMethod -uri [url]http://movie.mtime.com/[/url]$x/
           #if($?){ #判断命令是否成功返回， 如果网址不存在或没有网络 则是false
            $webcontent| Out-File $database_path\$x.txt
           
           #}else{
            #write-host "@@@@@@@@@@@@@@@@@@@@@@@@@@@ ** ** @@@@@@@@@@@@@@@@@@@@@@@@@@@ "  -ForegroundColor red
            #write-host "@@@@@@@@@@@@@@@@@@     网址不存在或没有网络 @@@@@@@@@@@@@@@@@@@@@ "  -ForegroundColor red
            #write-host "@@@@@@@@@@@@@@@@@@@@@@@@@@@ ** ** @@@@@@@@@@@@@@@@@@@@@@@@@@@ "  -ForegroundColor red
            #write-host "mtime id = $database_path\$x.txt "
            #exit
           #}
           $tmpContent11 = Get-Content $database_path\$x.txt
           if($tmpContent11.length -lt 5) {
             $retry_cnt +=1
             write-host "Retrying.... mtime_id = $x"
             cmd /c "choice /t 5 /d y /n  1>nul 2>nul"
           }
      }# do
      while($tmpContent11.length -lt 5 -and $retry_cnt -lt $retry_times) # 虽然有内容，但是内容不完整或者为空，需要重新访问该网页！
      
    }
  }# if $web_request_enable

  ###########################
  #### 获取要解析的txt文件
  ###########################
  # $fileList = Get-ChildItem -Path $database_path -Filter $filter_txt -Recurse |sort | ?{$_.PsIsContainer -eq $false}| %{$_.FullName}
  for ($x=$start_id_txt; $x -lt $end_id_txt; $x++)
  {
      if((Test-Path $database_path\$x.txt))   {
        $singlefile = Get-ChildItem -Path $database_path -Filter "$x.txt"   | ?{$_.PsIsContainer -eq $false}| %{$_.FullName}
        write-host "Add file -> $database_path\$x.txt"
        $fileList.Add($singlefile)
      }
  }


  ##############################################
  #### Main Process :
  ##############################################
  $error_page_404=0 # 很抱歉，你要访问的页面不存在 


  $movie_db_txt=""                         #写入txt文件
  $movie_name="<title>(.*?)</title>"       #电影名称
  $movie_name_regexp="(.*?)([a-z|A-Z].*)"  #电影名称正则匹配, 匹配的是英文，如果 是韩语或者日文，就不进行 rename
  $movie_name_regexp_match=0               #电影名称正则匹配 match, 结合上面的变量一起使用
  $movie_name_rename_not=""                #电影名称rename
  $movie_name_rename=""                    #电影名称rename
  $movie_name_v_genre=":genre"              #电影类型： 剧情，喜剧，恐怖，惊悚等
  $movie_name_v_genre_regexp=".*genre.*"   #电影类型： 剧情，喜剧，恐怖，惊悚等
  
  $movie_names_more="更多片名"                 #电影更多片名
  $movie_names_more_each="<span>(.*?)</span>"  #电影更多片名正则匹配，例如：<span>圣诞快递 3D</span>
  $movie_names_more_flag=0                     #电影更多片名 begin flag
  $movie_names_more_flag_end=0                 #电影更多片名   end flag

  
  $movie_names_nation="国家地区"                 #电影国家地区
  $movie_names_nation_each="_blank.*?>(.*?)</a>" #电影国家地区正则匹配，例如：<a href="http://movie.mtime.com/movie/search/section/?nation=Australia" target="_blank">澳大利亚</a>
  $movie_names_nation_flag=0                     #电影国家地区 begin flag
  $movie_names_nation_flag_end=0                 #电影国家地区   end flag

  $spaces_6="           "
  #write-host $filelist
  
  #****************************************************
  #**  获取电影名称 国别 类型 更多片名 等信息
  #****************************************************
  Foreach($file in $fileList)
  {
      #write-host "file_name=" $file 
  
  　　$tmpContent = Get-Content $file
      $error_page_404=0
      $movie_total_name = ""
      $movie_total_genre=""
      $movie_total_nation=""
      $movie_name_regexp_match=0

      $movie_names_more_flag=0                       #电影更多片名 begin flag
      $movie_names_more_flag_end=0                   #电影更多片名   end flag
      $movie_names_nation_flag=0                     #电影国家地区 begin flag
      $movie_names_nation_flag_end=0                 #电影国家地区   end flag
      $file_id=0
      $file_id_already_exist=0
      $file_id_already_exist_error=0
      $file_id_already_exist_404=0
      if($file -match ".*\\(\d+).txt") {$file_id=$matches[1]} # 获取 id
      write-host "################################################################# "  -ForegroundColor black  -background red
      Write-Host "Analyzing : $file ,id = $file_id"
      #判断该id是否已经写入 database.csv ，避免重复解析文件
      $tmpID = Get-Content $all_database_movie
      for ($iii=0; $iii -le $tmpID.length; $iii++){
        if($tmpID[$iii] -match "$file_id.*?;") {
           $file_id_already_exist = 1
        }#else { }
      }
      if($file_id_already_exist -eq 1) {
         Write-Host "Analyzing : $file ,id = $file_id already exist in $all_database_movie, will continue next id file."
         continue
      }
      if($tmpContent.length -lt 5){
         write-host "################################################################# "  -ForegroundColor red
         write-host "#############  内容不完整或者为空，需要重新访问该网页   ######### "  -ForegroundColor red
         write-host "############# mtime id = $file                          ######### "  -ForegroundColor red
         write-host "################################################################# "  -ForegroundColor red
         $tmpIDerror = Get-Content $all_database_movie_page_error
         for ($ii=0; $ii -le $tmpIDerror.length; $ii++){
           if($tmpIDerror[$ii] -match "$file_id") {
              $file_id_already_exist_error = 1
           }#else { }
         }
         if( $file_id_already_exist_error -eq 0) {
            "$file_id" | Out-File -Append $all_database_movie_page_error 
             break
         }
      }
  　　for ($i=0; $i -le $tmpContent.length; $i++)
  　　{
        #****************************************************
        #** (0) 对不起， 你要访问的页面不存在
        #****************************************************
        if($tmpContent[$i] -match "TIMEOUT") { #貌似不能匹配中文，
           $error_page_404=1
           write-host "@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ "  -ForegroundColor yellow
           write-host "@@@@@@@@@@@@@@  对不起， 你要访问的页面不存在          @@@@@@@@@@ "  -ForegroundColor yellow
           write-host "@@@@@@@@@@@@@@  mtime id = $file                       @@@@@@@@@@ "  -ForegroundColor red
           write-host "@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ "  -ForegroundColor yellow
           $tmpID404 = Get-Content $all_database_movie_page_404
           for ($k=0; $k -le $tmpID404.length; $k++){
             if($tmpID404[$k] -match "$file_id") {
                $file_id_already_exist_404 = 1
             }#else { }
           }
           if( $file_id_already_exist_404 -eq 0) { 
              "$file_id" | Out-File -Append $all_database_movie_page_404
               break
             }
        }
		if($error_page_404 -eq 0){
             #****************************************************
             #** (0) 获取电影类型 ： 剧情 科幻等
             #****************************************************
  　　　     if($tmpContent[$i] -match $movie_name_v_genre_regexp)　
  　　　     {
  　　　     　#write-host ""
  　　　     　write-host $spaces_6 $file : " $i " :
  　　　     　#write-host $file " : " $i " : " $tmpContent[$i] -ForegroundColor yellow -background black
                write-host $spaces_6 "---------------------------------------"
                #write-host "movie_name_v_genre_regexp        ="$matches[0]
                $tmp=$matches[0]
		        $tmp1 = $tmp -replace $movie_name_v_genre,"`n"
                $tmp2 = $tmp1.split("`n")
                #write-host "tmp1        ="$tmp1
                #$tmp1 | Out-File tmpt
                #$tmptContent = Get-Content tmpt
                for ($j=0; $j -le $tmp2.length; $j++) {
                 if($tmp2[$j] -match ".*?>(.*?)</a"){
                   #write-host $matches[0]
                   #write-host "movie_name_v_genre ="$matches[1]
                   $movie_total_genre += $matches[1] + $str_connection
                 }
                }
                write-host $spaces_6 "---------------------------------------"
                $found = 1;
  　　　     }
            
             # #****************************************************
             # #** (1) 获取电影名称
             # #****************************************************
             
  　　　     if($tmpContent[$i] -match $movie_name)　
  　　　     {
            
            
    　　     　　#有一些电影名字里有这种特殊字符，处理掉！
  　　　         $name_tmp=$tmpContent[$i] -replace '&quot;',""
                 $name_tmp_0=$name_tmp     -replace '·'," "
                 $name_tmp_1=$name_tmp_0   -replace '#183;'," "
                 $name_tmp_2=$name_tmp_1   -replace '&frac12;'," "
                 $name_tmp_3=$name_tmp_2   -replace 'ü'," "
                 $name_tmp_4=$name_tmp_3   -replace '&amp;#228;',"&auml;"
              if($name_tmp_4 -match  $movie_name) {
  　　　     　  #write-host ""
  　　　       　write-host $spaces_6 $file : " $i " :
  　　　       　#write-host $file " : " $i " : " $tmpContent[$i] -ForegroundColor yellow -background black
                 write-host $spaces_6 "---------------------------------------"
                 write-host $spaces_6 $matches[0]、
		         $movie_name_rename_not = $matches[1]
                 write-host $spaces_6 "movie_name        ="$movie_name_rename_not
                 $tmp=$matches[1]
                 if($tmp -match $movie_name_regexp){
                   #write-host $matches[0]
                   #write-host "movie_name_rename ="$matches[1]
                   #write-host "movie_name_rename ="$matches[2]
                   $movie_name_rename=$matches[2]+$matches[1]
                   write-host $spaces_6 "movie_name_rename ="$movie_name_rename
                   $movie_name_regexp_match = 1
                 }
                 write-host $spaces_6 "---------------------------------------"
                 $found = 1;
              }
  　　　     }
            
             #****************************************************
             #** (2) 获取国家地区
             #****************************************************
            
             if($movie_names_nation_flag -eq 1) {
               if($tmpContent[$i] -match "</dd>")　
  　　　        {
                    $movie_names_nation_flag_end=1
		     	   $movie_names_nation_flag = 0
  　　　        }
             }
             #if($movie_names_nation_flag_end -eq 1) {continue}
             if($movie_names_nation_flag -eq 0) {
  　　　       if($tmpContent[$i] -match $movie_names_nation)　
  　　　        {
  　　　       　　#write-host ""
                    $movie_names_nation_flag=1
  　　　       　　write-host $spaces_6 $file : " $i " :
  　　　       　　#write-host $file " : " $i " : " $tmpContent[$i] -ForegroundColor yellow -background black
                    write-host $spaces_6 "---------------------------------------"
                    write-host $spaces_6 $matches[0]
                    write-host $spaces_6 "movie_names_nation ="$matches[1]
                    write-host $spaces_6 "---------------------------------------"
                    $found = 1;
  　　　        }
              } elseif($movie_names_nation_flag -eq 1 -and $movie_names_nation_flag_end -eq 0) { # processing ...
                if($tmpContent[$i] -match $movie_names_nation_each)　
  　　　        {
  　　　       　　#write-host ""
                    $movie_names_nation_flag=1
  　　　       　　write-host $spaces_6 $file : " $i " :
  　　　       　　#write-host $file " : " $i " : " $tmpContent[$i] -ForegroundColor yellow -background black
                    write-host $spaces_6 "----------------------------------------"  -ForegroundColor yellow #-background black
                    write-host $spaces_6 $matches[0]
                    write-host $spaces_6 "movie_names_nation_each ="$matches[1]      -ForegroundColor yellow #-background black
                    $movie_total_nation += $matches[1] + $str_connection
                    write-host $spaces_6 "---------------------------------------"   -ForegroundColor yellow #-background black
                    $found = 1;
  　　　        }
              } elseif($movie_names_nation_flag -eq 1 -and $movie_names_nation_flag_end -eq 1) { # end processing...
		      }
            
            
             #****************************************************
             #** (3) 获取电影别名， 更多片名，更多译名
             #****************************************************
            
             if($movie_names_more_flag -eq 1) {
               if($tmpContent[$i] -match "</dd>")　
  　　　        {
                    $movie_names_more_flag_end=1
		     	   $movie_names_more_flag=0
  　　　        }
             }
             if($movie_names_more_flag_end -eq 1) {continue}
             if($movie_names_more_flag -eq 0) {
  　　　       if($tmpContent[$i] -match $movie_names_more)　
  　　　        {
  　　　       　　#write-host ""
                    $movie_names_more_flag=1
  　　　       　　write-host $spaces_6 $file : " $i " :
  　　　       　　#write-host $file " : " $i " : " $tmpContent[$i] -ForegroundColor yellow -background black
                    write-host $spaces_6 "---------------------------------------"
                    write-host $spaces_6 $matches[0]
                    write-host $spaces_6 "movie_names_more ="$matches[1]
                    write-host $spaces_6 "---------------------------------------"
                    $found = 1;
  　　　        }
              } else {
                 if($tmpContent[$i] -match $movie_names_more_each)　
  　　　        {
  　　　       　　 #write-host ""
                    $name_each_tmp=$tmpContent[$i]    -replace '·'," "
                    $name_each_tmp_0=$name_each_tmp   -replace '&amp;'," "
                    $name_each_tmp_1=$name_each_tmp_0 -replace '#183;'," "
                    $name_each_tmp_2=$name_each_tmp_1 -replace '&frac12;'," "
                    $name_each_tmp_3=$name_each_tmp_2 -replace 'ü'," "
                    $name_each_tmp_4=$name_each_tmp_3 -replace '&amp;#228;',"&auml;"
					
                    
                    $movie_names_more_flag=1
  　　　       　　 write-host $spaces_6 $file : " $i " :
                  if($name_each_tmp_4 -match $movie_names_more_each){
  　　　       　　 #write-host $file " : " $i " : " $tmpContent[$i] -ForegroundColor yellow -background black
                    write-host $spaces_6 "---------------------------------------"  -ForegroundColor yellow #-background black
                    write-host $spaces_6 $matches[0]
                    write-host $spaces_6 "movie_names_more_each ="$matches[1]       -ForegroundColor yellow #-background black
                    $movie_total_name += $matches[1] + $str_connection
                    write-host $spaces_6 "---------------------------------------"  -ForegroundColor yellow #-background black
                    $found = 1;
                   }
  　　　        }
             }
		} # error_page_404

		 		 
        ##########################################################
        ##########################################################
        ##########################################################

  　　} #for 
      if($error_page_404 -eq 0){
         $movie_db_txt=""  #write results to txt file
         write-host "&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&"  -ForegroundColor green
         write-host "&&&&& movie_id           ="$file                                           -ForegroundColor green
         $movie_db_txt  = $movie_db_txt  +  $file_id + $str_connection_spaces
         if($movie_name_regexp_match -eq 0) { 
            write-host "&&&&& movie_name_rename_not ="$movie_name_rename_not                    -ForegroundColor green
            $movie_db_txt += $movie_name_rename_not + $str_connection_spaces
         }else{
            write-host "&&&&& movie_name_rename  ="$movie_name_rename                           -ForegroundColor green
            $movie_db_txt += $movie_name_rename  + $str_connection_spaces
         }
         write-host "&&&&& movie_total_name   ="$movie_total_name                               -ForegroundColor green
         write-host "&&&&& movie_total_genre  ="$movie_total_genre                              -ForegroundColor green
         write-host "&&&&& movie_total_nation ="$movie_total_nation                             -ForegroundColor green
         $movie_db_txt = $movie_db_txt + $movie_total_name  +  $str_connection_spaces
         $movie_db_txt = $movie_db_txt + $movie_total_genre  + $str_connection_spaces
         $movie_db_txt = $movie_db_txt + $movie_total_nation + $str_connection_spaces
         $movie_db_txt |Out-File -append $all_database_movie
         write-host "&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&"  -ForegroundColor green
    }
  }#foreach each_movie.txt

  
   write-host "------------------  script end!  --------------"
  if ($found -eq 0)
  {
      write-host "没有找到您查找的字符串，请重新输入吧，O(∩_∩)O~ "  -ForegroundColor red -background black
  }

 # for ($x=0; $x -lt $ar.Count; $x++)  {	  write-host "ar["$x"]" = $ar[$x]	 }
  
  
  

  cmd /c "pause" 
  # Start-Sleep -s 10
复制代码

523066680

回复 3# gflrlm


    已经回老家，节后分享

gflrlm

回复 2# 523066680

版主大佬，能分享一下吗？ 谢谢了，再写一遍浪费时间了，哈哈，偷个懒。。。

523066680

bt天堂的资料挺齐全，抓过封面和磁力。主目录按评分，次级目录按类型


现在看看豆瓣影评的分类和评分索引也都做的很好，抓起来好分类。