V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 3309 天前的主题，其中的信息可能已经有所发展或是发生改变。

项目地址： https://coding.net/u/raawaa/p/jav-scrapy/git

jav-scrapy

jav-scrapy ，一个爬取 AV 磁力链接的小爬虫。

Prequisites

Node.js 4.2.1+

Installation

$ git clone https://git.coding.net/raawaa/jav-scrapy.git
$ cd jav-scrapy
$ npm install # 安装 npm 包依赖
$ npm link # 使 jav-scrapy 全局可执行

Usage

Usage: jav [options]

  Options:

    -h, --help            output usage information
    -V, --version         output the version number
    -p, --parallel <num>  设置抓取并发连接数，默认值： 2
    -t, --timeout <num>   自定义连接超时时间(毫秒)。默认值： 10000
    -l,  --limit <num>    设置抓取影片的数量上限， 0 为抓取全部影片。默认值： 0
    -o, --output <path>   设置磁链抓取结果的保存位置，默认为当前用户的主目录下的 magnets.txt 文件

Todo

~~让 jav-scrapy 的操作方式更像原生命令行程序~~
只抓取某一类型的影片磁链
加影片磁链保存至本地数据库
增量抓取

第 1 条附言 · 2015-11-01 15:30:37 +08:00

更新了一下，增加了搜索功能，比如：

$ jav -s ipz # 只抓取以 ipz 开头的番号
$ jav -s ipz-634 # 只抓取番号 ipz-634

第 2 条附言 · 2015-11-01 15:32:31 +08:00

在 github 上也推了一份：
https://github.com/raawaa/jav-scrapy

第 3 条附言 · 2015-11-01 21:16:04 +08:00

又增加了「下载影片封面」的功能，到此为止觉得已经够自己用的了，短期不会再更新了，放几个用例吧：

# 下载影片封面到~/porn_covers/目录下，图片文件名为番号，并行下载数为 10
$ jav -c ~/porn_covers/ -p 10         

# 抓取 ipz 开头的所有番号的磁链，并保存在~/magnets.txt 中，并行抓取数 20
$ jav -s ipz -p 20 -o ~/magnets.txt 

# 抓取番号 ipz-634 这部影片的磁链
$ jav -s ipz-634 -o ~/magnet.txt   

# 抓取「连裤袜」主题的所有影片磁链...并行数 10
$ jav -b http://www.javbus.in/genre/28 -p 10 -o ~/magnets.txt

jav-scrapy

磁链

Usage

num

101 条回复 • 2015-12-27 18:37:37 +08:00

1 2

❮

❯

iShao

2015-10-31 14:21:49 +08:00 via Android

从来只看自己喜欢的演员的作品…已经收藏全了

raawaa

2015-10-31 14:25:04 +08:00

@iShao 最近孩子刚出身，没时间逛黄网，无奈只能自己写了个这个。

cxbig

2015-10-31 14:26:02 +08:00

恭喜 LZ 找到学习的原动力

raawaa

2015-10-31 14:26:49 +08:00

@cxbig 我这样不会被抓起来吧

cxbig

2015-10-31 14:29:03 +08:00

@raawaa 1024 到处都是，不差你一个。

leavic

2015-10-31 14:30:52 +08:00

其实我前两天写了个 scrapy 爬虫，把 javbus 上的所有 AV 信息都抓完了，一共 8 万多部。

scream7

2015-10-31 14:31:35 +08:00

看不懂的样子

raawaa

2015-10-31 14:32:24 +08:00

@leavic 昨天 javbus 网站好像改版了，影片少了很多，我昨天晚上抓了一下全站，只有 3000 多部了……

Chappako

2015-10-31 14:39:25 +08:00

不知道这样或者分享番号，算不算违法

Andy1999

2015-10-31 14:43:54 +08:00 via iPhone

高端技术传播淫秽资料罪加一等

leavic

2015-10-31 14:48:04 +08:00

@raawaa 你从 page/1 这样开始抓的话，最终只能抓到不到 50 页，这是 wordpress 分页插件造成的，我是从演员表那里开始抓的，女优数都有 3 万多。

exoticknight

2015-10-31 14:48:47 +08:00

代码写的不错……下载来
学代码
学代码
学代码

Hipponensis

2015-10-31 14:51:24 +08:00

参考一下，我去写个 Scrapy 抓。

DennyDai

2015-10-31 14:52:46 +08:00

嗯我只看第十九行代码就够了

raawaa

2015-10-31 14:55:42 +08:00

@leavic 我昨晚抓到第 103 页的时候出现了 404 错误。用浏览器浏览，末页也是到 102 页。在昨天以前我浏览这个站可不是这样的。

leavic

2015-10-31 15:07:07 +08:00

@raawaa 那他现在还放大了页面数了，我最开始抓的时候只有 48 页，抓完后我就觉得数据不对，调到 48 也一看是两个月前的数据，这网站都这么久了。
其实我觉得 javbus 也是抓的 dmm ，然后让网友自己提交磁链形成的，否则我抓取来的 8 万多条数据，这要人工编辑得花多大功夫， 3 万多个女优的名字能全知道的就不可能是人类。

agate

2015-10-31 15:09:59 +08:00

@leavic 要不要这么饥渴啊 lol 人家爬虫很累的好不好

raawaa

2015-10-31 15:10:11 +08:00

@leavic 多谢，我又有继续改写到动力了……

xwartz

2015-10-31 15:12:17 +08:00

我也要添一个 https://github.com/xwartz/spider

Kuro

2015-10-31 15:14:09 +08:00

能否抓取有 HD 种子的片子，前几天想实现发现因为 javmoo 反爬虫就搁置了。

raawaa

2015-10-31 15:15:58 +08:00

@Kuro 目前不可以，不过应该可以实现的，就是有点工作量。

Kuro

2015-10-31 15:20:19 +08:00

发现 javbus 这个网站已经有高清分类了，不错~

ipconfiger

2015-10-31 15:22:10 +08:00

1024

qile1

2015-10-31 15:22:53 +08:00 via Android

一直想弄一个可仪抓取电影网站图片及介绍的爬虫，把家里的电影介绍都更新，以后没网本地观看，可惜不会

raawaa

2015-10-31 15:27:09 +08:00

@xwartz 用上了，太棒了

lk920724

2015-10-31 15:30:05 +08:00

electron-v0.33.9-darwin-x64.zip 这个貌似下载的很慢额

xwartz

2015-10-31 15:30:10 +08:00

@raawaa 其实我想说的是图片资源不错吧...

JiaFeiX

2015-10-31 15:59:41 +08:00 via iPhone

请问 gif 图用的什么软件生成的？

zzy8200

2015-10-31 16:18:50 +08:00 via iPhone

然而服务器根本挂不了 BT ……

GPU

2015-10-31 16:46:14 +08:00

楼主想撸出血啊？

ChiangDi

2015-10-31 16:47:57 +08:00

楼主都是有孩子的人了啊... 直接找老婆不就好了......

kn007

2015-10-31 17:03:44 +08:00

高调收藏。。。

kn007

2015-10-31 17:05:52 +08:00

话说源码放 github 估计会有很多星星。。。

fyyz

2015-10-31 17:13:28 +08:00

屌丝进入高科技领域依然是屌丝（逃

raawaa

2015-10-31 17:13:32 +08:00

@JiaFeiX 用的 silentcast

$ sudo add-apt-repository ppa:sethj/silentcast
$ sudo apt-get update
$ sudo apt-get install silentcast

raawaa

2015-10-31 17:14:46 +08:00

@kn007 github 上也放了一个
https://github.com/raawaa/jav-scrapy

bingu

2015-10-31 17:21:02 +08:00 via iPad

这贴干货真多。

raawaa

2015-10-31 17:23:21 +08:00

@lk920724 试试淘宝的镜像吧
npm.taobao.org

ready2race

2015-10-31 17:26:23 +08:00

1943 年,美国心理学家亚伯拉罕·马斯洛在《人类激励理论》论文中提出---生理需要是推动人们行动最首要的动力

kn007

2015-10-31 17:29:39 +08:00

@raawaa ~已星

hantsy

2015-10-31 18:08:57 +08:00

好几年没看 AV 了，，，这么多怎么看得完。也不推荐一下哪个好一点。

iloveayu

2015-10-31 18:09:36 +08:00 via iPad

丧心病狂。。。

LWXYFER

2015-10-31 19:17:32 +08:00

学习学习，我要自己抓。

sxd

2015-10-31 19:28:09 +08:00

我只能说域名太屌

VmuTargh

2015-10-31 19:48:12 +08:00 via Android

噫，好污

kn007

2015-10-31 19:56:32 +08:00

@sxd 抓到 ACN 一只

gqfBzoLVY3Wl4Tng

2015-10-31 20:01:10 +08:00

javzoo.com

moe3000

2015-10-31 20:25:51 +08:00

污得不行啊

yuzhouwww

2015-10-31 20:46:47 +08:00

get

LancerComet

2015-10-31 20:51:50 +08:00

这么污的东西必须兹词

raawaa

2015-10-31 21:00:22 +08:00 via iPad

@xwartz 艺术性太高撸点不高

jerryhethatday

2015-10-31 21:04:37 +08:00

楼主制作这个 gif 的工具叫啥？看起来挺高端的

coldfog

2015-10-31 21:08:10 +08:00

为什么我点进来整个页面都黑了？你做了什么？

raawaa

2015-10-31 21:16:39 +08:00

@jerryhethatday 叫 silentcast

raawaa

2015-10-31 21:18:35 +08:00

@coldfog 好像 Node.js 板块下的帖子都这样

linux40

2015-10-31 22:00:26 +08:00

我又多了一个网站。。。

aszxqw

2015-10-31 22:05:56 +08:00

npm install 好慢好慢。

raawaa

2015-10-31 22:12:47 +08:00

@aszxqw 可以用淘宝的镜像： npm.taobao.org

2015-10-31 22:17:56 +08:00 via Android

收藏比回复还多…
你们啊！绅士

sxd

2015-10-31 23:23:56 +08:00

@kn007 还记得我啊呵呵

aszxqw

2015-10-31 23:30:37 +08:00

@raawaa 感觉用了淘宝的景象也没加快。。。。

cszchen

2015-10-31 23:32:30 +08:00

我正在想干这个事呢，然后做一个客户端

kn007

2015-10-31 23:33:04 +08:00

@sxd 能不记得么，老伙计。

sxd

2015-10-31 23:40:22 +08:00

@raawaa during 和 whilst 有什么区别呢我是说实际应用上

acrisliu

2015-10-31 23:44:05 +08:00 via Android

楼主有没有 nodejs 入门教程推荐？

pabno

2015-10-31 23:44:05 +08:00

baseUrl 这个变量定义的很有深度，值得好好研究

raawaa

2015-11-01 00:41:45 +08:00

@aszxqw 不会吧，我用丈母娘家的破长城宽带都感觉速度不错

raawaa

2015-11-01 00:44:25 +08:00

@sxd whilst 的测试函数必须是同步函数啊，向我这个需要用到异步 http 请求来判断页面是否存在的情况，的就没法用 whilst 了。

raawaa

2015-11-01 00:56:01 +08:00

@acrisliu 其实我 node.js 没怎么深入学，什么流啊子进程啊之类的都不会。我现在还处在 javascript 打基础的阶段。

javascript 的话我强烈推荐 Kyle Simpson 写的《 You Don't Know JS 》系列丛书，或者看此人在 pluralsight 上开的「 Advanced Javascript 」视频课程。这些在网上都有资源下载。

acrisliu

2015-11-01 09:52:24 +08:00 via Android

@raawaa 嗯嗯好的谢谢推荐☺

crayygy

2015-11-01 11:17:38 +08:00

@raawaa 孩子都出世了还......

wbsdty331

2015-11-01 12:42:29 +08:00

污，不过我喜欢 23333

coldfog

2015-11-01 12:57:35 +08:00

@raawaa 刚确认了一下，还真是……

XianZaiZhuCe

2015-11-01 14:07:13 +08:00

认真的，小心被查，不开玩笑

sxd

2015-11-01 19:53:48 +08:00

@raawaa 对哦我一开始误以为 whilst 可以延迟 return 呢....

coolicer

2015-11-02 09:55:11 +08:00

哈哈，不错。

godjarl

2015-11-02 10:25:06 +08:00

这是我学习 node 的理由嘛

4912941

2015-11-02 11:19:31 +08:00

<img src="

"/>

为什么会报错呢

raawaa

2015-11-02 11:37:43 +08:00

@4912941 window 下好像是会有点问题。要注意 2 点：
- 请跳出 jav-scrapy 这个目录再运行 jav 命令，不要在 jav-scrapy 目录里直接运行 jav 命令，如果实在要在 jav-scrapy 目录里运行的话，运行 node jav.js ，后跟选项；
- windows 里不要用'~'之类的 Linux 下特有的路径符号。

4912941

2015-11-02 11:54:06 +08:00

@raawaa 可以用了