环境说明:

• Python3.6
• Centos7.5
• Scrapy框架 & 简单py爬虫

已实现功能:

1. 爬虫 Scrapy 爬取百度网盘搜索引擎数据
2. 自动将百度网盘资源转存到自己网盘
   1. 支持无提取码 URL
   2. 支持有提取码 URL

待完成项:

• 优质代理 IP 池
• 百度网盘自动保存资源 提取码-验证码问题
• 暂不支持保存自己分享的资源
• 代码优化

文件说明:

• baiduyun_tools.py 自动转存百度云盘资料
• file 存放自动转存百度云盘 信息
• proxies_tools.py 自动生成代理文件
• Spiders 爬取百度网盘搜索引擎资源
• scrapy_mockplus_template Scrapy 爬虫,爬取 MockPlus 模板(待优化)

• Baiduyun
  • 查询 网盘搜索引擎 上百度云盘资源
  • 将云盘资源保存到百度网盘中
• MockPLus
  • 自动获取 MockPlus 精美模板

scrapy startproject baidu
# 传递参数
scrapy crawl pansoso1 -a search_text=excel

通用参数说明:

• mode 保存模式 append/override 建议 append
• search_text 搜索内容
• page 搜索页数

TODO override 存在 bug 后面覆盖前面的情况

网站资源一般,链接存在加密,存在访问过多时 IP 封锁.

网站链接: 网盘资源 www.pansoso.com

# 项目命令
scrapy crawl pansoso01 -a search_text=excel
scrapy crawl pansoso02
scrapy crawl pansoso03

说明:

• 搜百度盘 网站简单,适合练手
• 但是资源基本(99%)都是无效资源,无过多反爬虫机制.
• 不建议使用此网站

# 项目命令
scrapy crawl sobaidupan01 -a search_text=excel  -a page=1000
scrapy crawl sobaidupan02

网站链接: 网盘资源 www.sobaidupan.com

说明:

• 大多资源有效,且网站存在资源校验机制.
• 资源分为无提取码和有提取码两种.
• 资源文件都较大,且命名不规范,或非实际所需文件
• 反爬虫机制
  • 延迟加载(提取码 & 提取码是否有效)
    • 解决方法: 使用 selenium(浏览器处理)

网站链接: 网盘资源 www.dashengpan.com

# 项目命令
scrapy crawl dashengpan01 -a mode=append -a search_text=excel -a page=1
scrapy crawl dashengpan02 -a mode=append # 需要在有UI界面的地方执行

项目详细说明:

1. 支持功能
   1. 自动将 文件中 URL 保存到百度网盘中
   2. 支持有提取码和无提取码格式
   3. 对资源保存情况有整体说明等
2. TODO 暂不支持
   1. 根据用户名称和密码自动登录获取 Cookie
   2. 部分资源有提取码时仍需要验证码,暂不支持
3. 其他说明:
   1. 使用 Linux 测试,Windows 未测试
   2. 附件说明
      1. file/badidu_result.txt 存放百度云资料
      2. file/success.txt 存放保存成功的资源
      3. file/failed.txt 存放保存失败的资源

使用样例:

# 将网盘资源保存到百度网盘
python baiduyun_tools.py -filename xxxxx -cookie xxxxx -path xxxx

# 输出说明
success.txt 记录成功运行的 URL, 下次运行时不会在运行此中URL
failed.txt 记录失败的URL

• 自动将资源添加到百度网盘中
• Scrapy_延迟加载

1. 非商业用途.
2. 如有侵犯您的合法权益或违法违规，请提供相关有效书面证明与侵权页面链接联系我们进行删除。感谢您的支持