好吧，做了一个很疯狂的东西！ http://movie.readself.com/

平常我想要看电影的时候，总是需要在Google或者Baidu里搜索很长时间才能找到一个下载链接。

比如说，我想看《黑天鹅》，我就去Google里搜索：

ext:mkv Black Swan

然后就搜出种子或者下载链接了。那么这一个过程，是否可以简化呢？是否可以预先搜集好每个影片的下载链接，然后存到数据库里，方便我想看电影的时候直接调出来下载呢？所以就这样萌生了写个爬虫的想法！最初还是听说荣哥写了一个爬虫放在学校的服务器爬了3个小时，就把100万首音乐资料全部下载了。我后来本想跟随荣哥的足迹的，但突然觉得电影对于我来说比音乐更重要些。预祝荣哥顺利踏上去谷歌山景城总部的愉快旅程

结合我之前做博客搜索引擎的经验，这次做一个电影资源搜索引擎吧！除了自己使用之外，还可以推荐给身边的各位朋友使用。私底下分享即可！

为了搜集这些电影资料，写了n多个爬虫，分别干不同的事情，整合了几个站点的资源。幸好教育网网速还行，每次基本上都可以用几个小时就爬完我需要的影片信息。不同站点的资源的整合，也写了不少程序来智能匹配。比如说，我现在有100多万的电影下载地址或者种子，我怎么跟我的影片信息库关联起来呢？按照我以往做文本分析的经验，通过计算链接和影片信息之间的联系程度，取关联程度最高的一个进行匹配。尽管如此，我发现还是有5%左右的影片的下载地址是错误的，比如2012。因为这个根据这个数字直接匹配2012年的片子了……

在下载链接的列表里，我做了一个简单的排名，把尽量与影片关联程度最高的，以及高清和速度好的链接排在前面。通过这样保证第一个下载链接的可靠性！

这次搜集电影信息的存储没有使用MySQL了，而是使用了MongoDB，性能很好，CPU占用少，用起来很方便，一点也不像MySQL那么繁琐啊。不过在吃光了内存之后，写入硬盘的时候，速度就太坑爹了，硬盘灯常亮啊，Firefox直接卡死，开了100个线程，CPU和网络利用率还是很低！因为爬虫一开始都把网页内容直接塞到MongoDB里，所以爬完后，信息内容的大小超过30GB了（包括小尺寸的海报）。写了几个脚本把影片信息提取出来，去掉了冗余数据，最后剩下10GB，上传到readself.com的VPS（内存512M，硬盘20G）上，跑起来妥妥的，搜索速度也很快！！！

分享地址： http://movie.readself.com/

看吧，小虾过了一段时间又给大家带来好玩的东西了！我本人在Linux下使用KTorrent，在Windows使用μTorrent，下载速度都很给力！用迅雷也可以下载磁力链接的文件。

给朋友们使用一下，觉得好，请评论啊 😀