电影、视频链接都是在文章里面，然后文章url后面有个数字编号，就像这样的http://cn163.net/archives/24016/，所以机智的我又用了之前写过的爬虫经验，解决方法就是自动生成url，其后面的数字不是可以变的吗，而且每部剧的都是唯一的，所以尝试了一下大概有多少篇文章，然后用range函数直接连续生成数来构造url。
但是很多 url 是不存在的，所以会直接挂掉，别担心，我们用的可是 requests ，其自带的 status_code 就是用来判断请求返回的状态的，所以只要是返回的状态码是404的我们都把它跳过，其他的都进去爬取链接，这就解决了 url 的问题了。
以下就是上述步骤的实现代码。

def get_urls(self):
try:
for i in range(2015, 25000):
base_url = 'http://cn163.net/archives/'
url = base_url + str(i) + '/'
if requests.get(url).status_code == 404:
continue
else:
self.save_links(url)
except Exception, e:
pass
其余的就进行的很顺利了，网上找到前人写的类似的爬虫，但是只是爬取一篇文章的，所以借鉴了一下其正则表达式。自己用了 BeautifulSoup 还没有正则效果好，所以果断弃了，学海无涯啊。但是效果也不是那么理想，有一半左右的链接不能正确抓取，还需继续优化。
编程派：下面的代码中 reload(sys);sys.setdefaultencoding('utf-8') 的做法是不推荐的，容易产生错误。
# -*- coding:utf-8 -*-
import requests
import re
import sys
import threading
import time
reload(sys)
sys.setdefaultencoding('utf-8')


class Archives(object):

def save_links(self, url):
try:

data = requests.get(url, timeout=3)
content = data.text
link_pat = '"(ed2k://|file|[^"]+?.(Sd+)(Ed+)[^"]+?1024Xd{3}[^"]+?)"'
name_pat = re.compile(
r'

(.*?)

', re.S)
links = set(re.findall(link_pat, content))
name = re.findall(name_pat, content)
links_dict = {}
count = len(links)
except Exception, e:
pass
for i in links:
links_dict[int(i[1][1:3]) * 100 +
int(i[2][1:3])] = i # 把剧集按s和e提取编号
try:
with open(name[0].replace('/', ' ') + '.txt', 'w') as f:
print name[0]
for i in sorted(list(links_dict.keys)): # 按季数+集数排序顺序写入
f.write(links_dict[i][0] + '')
print "Get links ... ", name[0], count
except Exception, e:
pass

def get_urls(self):
try:
for i in range(2015, 25000):
base_url = 'http://cn163.net/archives/'
url = base_url + str(i) + '/'
if requests.get(url).status_code == 404:
continue
else:
self.save_links(url)
except Exception, e:
pass

def main(self):
thread1 = threading.Thread(target=self.get_urls)
thread1.start
thread1.join
if __name__ == '__main__':
start = time.time
a = Archives
a.main
end = time.time
print end - start
完整版代码，其中还用到了多线程，但是感觉没什么用，因为 Python 的 GIL 的缘故吧，看似有两万多部剧，本以为要很长时间才能抓取完成，但是除去 url 错误的和没匹配到的，总共抓取时间20分钟不到。搞得我本来还想使用 Redis 在两台 Linux 上爬取，但是折腾了一番之后感觉没必要，所以就这样吧，后面需要更大数据的时候再去弄。
还有过程中遇到一个很折磨我的问题是文件名的保存，必须在此抱怨一下， txt 文本格式的文件名能有空格，但是不能有斜线、反斜线、括号等。就是这个问题，一早上的时间都花在这上面的，一开始我以为是抓取数据的错误，后面查了半天才发现是爬取的剧名中带有斜杠！！！！。