编写ruby脚本批量下载《老友记》全集（mp3文件）

ruanqi

浏览: 25595 次
性别:
来自: 上海

最近访客更多访客>>

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

实用主义

脚本 Ruby 正则表达式 PHP .net

《老友记》是美剧中的经典，其中的对白也早已成为英语爱好者的宝典，我当然也是粉丝之一啊。前几天在普特英语网上发现有所有10季老友记的对白mp3文件下载 ，大喜！！可惜每一集的连接都在不同的页面上，难道要我保存200多次？！当然不行，200多次重复机械劳动太丢人啦！而且普通英语网上还有好多不错的英语资料呢，还是写个脚本批量下载的好。好了，这就开始！

我的ruby 版本是1.8.6 ,这个版本在下载较大文件时会出现问题 ，后面会提到啦。为了吸引眼球，我还是先把结果的截图放到前面来咯

ps：一共是10季嘛

ps：这个是第四季的全部对白

步骤：

1.找到所有包含老友记对白的页面url，

如"http://www.putclub.com/article.php?articleid=8761 "

2.找到这个url中的《老友记》的mp3文件，以及对应的标题，

如上面这个url中的mp3文件是"http://listen.putclub.com/resource/lessons/liurenxing/liurx/12.mp3 "，

标题是” 六人行1-12The One With the Dozen Lasagnas “

3.根据标题确定该对白属于第几季，

如"六人行1-12 The One With the Dozen Lasagnas"是第1季12集

4.开始批量下载《老友记》对白文件，将每一季的对白下载到对应的文件夹下，

如第5季的对白下载到/friends/season-5/ 下

code：

步骤1 ，（这个很简单，因为普特英语网上的文章的url就是http://www.putclub.com

/article.php?articleid=XXXX ，老友记的XXXX就是从8749 到8976 ，哈哈，天助我也！）

def get_urls_in_putclub(url_prefix,start_index, end_index)
  page_count = end_index - start_index + 1
  urls = []
  index = start_index
  page_count.times do 
    url = url_prefix + String(index)
    urls << url
    index += 1
  end
  urls
end

调用

all_urls = get_urls_in_putclub("http://www.putclub.com/article.php?articleid=",8749,8976)

就得到了所有urls；

步骤2 ，这个步骤要得到HTML中的对白标题和mp3文件连接，用正则表达式来把她们scrape下来

标题的html格式是这样子滴：

.......
<div class="subhead">
<b>六人行1-12The One With the Dozen Lasagnas </b>
</div>
......

对应的匹配方法是这样子滴：

def scrape_resource_title(html)
  %r{<div\s*class=[',"]?subhead"\s*><\s*b\s*>\D*(.*?)</b\s*>}mi =~ html
  $1
end

返回的标题就是'1-12The One With the Dozen Lasagnas'

mp3文件连接的html格式是这样子滴：

......
<p align="center">
<a href="http://listen.putclub.com/resource/lessons/liurenxing/liurx/12.mp3">下载地址</a>
.....

对应的的匹配方法就是：

def scrape_resource_url(html)
  %r{<p\s*align=[',"]?center[',"]?\s*>\s*<a\s*href=[',"](.*?)[',"]\s*>}mi =~ html
  $1
end

返回的连接就是：'http://listen.putclub.com/resource/lessons/liurenxing/liurx/12.mp3'

当输入”1-12The One With the Dozen Lasagnas“时，得到”season-1“，还是用正则表达式

def extract_season_index(title)
  /(\d+)-/ =~ title
  "season-#{$1}"
end

步骤4 ，建立mp3文件连接，将对白下载到对应的文件夹下，用之前得到的标题名来命名文件

比如文件'http://listen.putclub.com/resource/lessons/liurenxing/liurx/12.mp3 '就下载到".../friends/season-1/1-12The One With the Dozen Lasagnas.mp3 "

ps：在windows下，文件名不能包含"\/:*?"<>|"这些字符啊！

下面是下载方法的实现：

def download(resource,root)
  url = URI.parse(resource[:url]) 
  unless FileTest.exist?(
 "D:\\friends\\#{extract_season_index(resource[:title].chomp)}\\#{resource[:title].chomp}.mp3")

Net::HTTP.start(url.host,url.port) do |http|
    start_time = Time.now
    puts "Start download #{resource[:title].chomp}.mp3"
    
data = http.get(url.path).body
    size = data.size
    if(size > 500)
    puts String(size) + "k"
    path = root + extract_season_index(resource[:title])
    FileUtils.makedirs(path) unless FileTest.exist?(path)
    File.open("D:\\friends\\#{extract_season_index(resource[:title].chomp)}\\#{resource[:title].chomp}.mp3",'wb') do |fin| 
        fin.write data
    end
    end_time = Time.now
    puts "Take #{end_time - start_time} seconds"
    else
      puts "Download fail"
      "download_fail"
    end
  end
  end
end

ruby1.8.6的Net::HTTP中的get方法在连接较大的数据时，几乎都是连接超时 ，有人在rubyforge 上改写了ruby的rbuf_fill方法，原先的timeout参数太小，导致timeout的次数

太多，所以会超时。ruby1.8.7和以后的版本修改了这个bug

被改写的ruby方法在 \ruby\lib\ruby\1.8\net\protocol.rb 里

#def rbuf_fill
#  timeout(@read_timeout) {
#    @rbuf << @io.sysread(1024)
#  }
#end

def rbuf_fill
    begin
      @rbuf << @io.read_nonblock(4096)
    rescue Errno::EWOULDBLOCK
      if IO.select([@io], nil, nil, @read_timeout)
        @rbuf << @io.read_nonblock(4096)
      else
        raise Timeout::TimeoutError
      end
   end
end

主要的步骤和方法都罗列出来啦，完整的ruby文件请下载附件，如果你懒得修改ruby源码的话，可以用附件中的

protocol.rb替换 \ruby\lib\ruby\1.8\net\ 下的protocol.rb. 完整的ruby脚本里还有下载记录的保存，避免了第二次运行脚本时再去连接已下载的mp3对白文件，不过与主题联系不大，我就不多说了。

下一篇是把当年明月的博客 ——《明朝那些事》的博文转为PDF导出，文章嘛还是下到PSP看来得爽嘛！

我们的目标就是——实用的代码！