爬取备份“忧郁的弟弟”站点Galgame

Aug 07,2018 in Python,Game read (57)

[我的Galgame资源发布站 - 忧郁的弟弟](https://www.mygalgame.com/) 是由忧郁的弟弟提供的汉化Galgame下载站点，关于该站点介绍请访问：[关于若干注意事项（新人必读） | 我的Galgame资源发布站](https://www.mygalgame.com/guanyuruoganzhuyishixiangxinrenbidu.html)

弟弟站点html结构十分规范，而且爬取特别容易。问题在于该站的资源都是用百度云进行存储，而百度云的转存与下载较为麻烦。这里我们采取抓取和转存分别进行的方法，构造备份站点。步骤如下：

1. 对弟弟站所有页面进行抓取下载并存储。
2. 进行百度云批量转存，使用BaiduPCS-GO进行下载操作。
3. 使用rclone转存到GDrive以及OneDrive。
4. 使用OneIndex进行展示~

> 关于“忧郁的弟弟”站点备份，Github已有类似项目，具体可参见：[Beats0/www.mygalgame.com](https://github.com/Beats0/www.mygalgame.com)

## 站点爬取

目前弟弟站的百度云链接需要使用post的方式二次获取，故在获取到文章链接后，构造post表单进行获取。方法如下：

```python
import re
import time
import sqlite3
import requests
from bs4 import BeautifulSoup

s = requests.Session()
s.cookies.update({"switchtheme":"mygalgame2"})
s.headers.update({"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"})

db = sqlite3.connect(r"f:/mygalgame.db")
cur = db.cursor()

cur.execute("CREATE TABLE mygalgame ("+
    "raw_link   VARCHAR (255),"+
    "name       VARCHAR (100),"+
    "baidu_link VARCHAR (255),"+
    "secret_key VARCHAR (4)   UNIQUE PRIMARY KEY,"+
    "descr      TEXT"+
");"
)

for p in range(1,84):
    page = s.get("https://www.mygalgame.com/page/{}/".format(p))
    page = BeautifulSoup(page.text,"lxml")
    a_list = page.select("div#article-list > div > section > div.title-article > h1 > a")
    article_list = list(map(lambda x:x["href"], a_list))
    print("Craw Page {}, and find {} links".format(p,len(article_list)))
    for a in article_list:
        page_1 = s.get(a)
        if re.search("A\d{3}",page_1.text):
            secret_key = re.search("A\d{3}",page_1.text).group(0)
            page_2 = s.post(a,data={"e_secret_key":secret_key})
            page_bs = BeautifulSoup(page_2.text,"lxml")
            name_ = page_bs.select_one("div.title-article a").get_text()
            baidu_link = re.search("go\.php\?url=(https?://pan.baidu.com/s/[^']+)'",page_2.text).group(1)
            descr = str(page_bs.select_one("div.centent-article"))
            descr = descr[:descr.find("")]
            cur.execute("INSERT INTO `mygalgame` (`raw_link`, `name`, `baidu_link`, `secret_key`, `descr`) VALUES (?,?,?,?,?)",(a,name_,baidu_link,secret_key,descr))
            print("{}: {} OK~".format(secret_key,a))
            db.commit()
        time.sleep(5)
    print("Page {} Over~".format(p))
    time.sleep(5)
```

经过上述爬取，仍发现几项缺失，具体列在下表：

| 缺失项 | 可能的名称                                                  | 备注                                                         |
| ------ | ----------------------------------------------------------- | ------------------------------------------------------------ |
| A345   | ***资源吃饭                                                 | 没找到~                                                      |
| A457   | 下级生2                                                     | 与下级生1（A456）同一页面                                    |
| A458   | 恋×シンアイ彼女 体験版                                      | 正式版见[A584](https://www.mygalgame.com/xiangyaochuandageinideailian.html) |
| A516   | オトメ＊ドメイン 体験版                                     | 参见他人备份补齐                                             |
| A574   | [千恋＊万花](https://www.mygalgame.com/qianlianwanhua.html) | 手动补齐                                                     |

## 百度云转存下载

使用Selenium半自动登陆并转存。代码如下，前半部分登陆手动完成，后面分享转存交由程序进行。

```python
from selenium import webdriver
from selenium.webdriver.common.keys import Keys

browser = webdriver.Chrome(r"d:\chromedriver.exe")
browser.get("https://pan.baidu.com")  # 用户登陆（手动）

uk_list = cur.execute("SELECT baidu_link,secret_key from mygalgame order by secret_key asc").fetchall()
for url,key in uk_list:
    try:
        browser.get(url)   # 打开分享链接
        browser.implicitly_wait(3)   # 等待3秒
        browser.find_element_by_tag_name("input").send_keys(key,Keys.ENTER)  # 输入分享密码并回车
        browser.implicitly_wait(5)
        browser.find_element_by_xpath('//*[@id="shareqr"]/div[2]/div[2]/div/ul[1]/li[1]/div/span[1]').click()  # 全选分享文件
        browser.find_element_by_xpath('//*[@id="bd-main"]/div/div[1]/div/div[2]/div/div/div[2]/a[1]/span/span').click()  # 点击转存按钮
        browser.implicitly_wait(2)
        browser.find_element_by_xpath('//*[@id="fileTreeDialog"]/div[3]').click()  # 勾选上次保存位置
        browser.implicitly_wait(2)
        browser.find_element_by_xpath('//*[@id="fileTreeDialog"]/div[4]/a[2]/span').click()  # 点击确认按钮
        browser.implicitly_wait(2)
        print("Transfer {}#{} Success~".format(url,key))
    except Exception:
        print("Transfer {}#{} Fail!!!!".format(url,key))
```

![TIM截图20180806131047.jpg](https://blog.rhilip.info/usr/uploads/2018/08/1217328313.jpg)

注意：

- 估算每个Gal的体积为2G，故1T百度云盘约能转存500左右游戏。
- 请使用开发者工具block掉一些请求，以防止页面长时间等待加快速度。例如：

![TIM截图20180806113155.jpg](https://blog.rhilip.info/usr/uploads/2018/08/1001885792.jpg)

而下载使用 [BaiduPCS-GO](https://github.com/iikira/BaiduPCS-Go)。使用前面获取的BUDSS进行登陆，并使用screen挂在后台进行下载即可。（然而使用国外服务器下载还是很慢23333）

## 简介清洗

因为OneIndex能展示`READMD.md`，所以将原有html格式简介清洗为markdown格式的文件，示例格式如下：

```python
from markdownify import markdownify as md

pattern = """
> 档案名： {name}
> 来源于： {source_link}

**游戏截图**

{img_list}

**游戏简介**

{introduce}

**汉化STAFF**

{staff}

**文件信息**

{note}
"""

l = cur.execute("SELECT raw_link,name,descr from mygalgame").fetchall()

for source_link,name,descr in l:
    de_bs = BeautifulSoup(descr,"lxml")
    img_list = de_bs.find_all("img")
    img_md = "\n".join(map(lambda x:"![]({})".format(x["src"]),img_list))
    i_tag,s_tag = bs.find_all("div",class_="alert-success")[:2]
    introduce = md(str(i_tag))
    staff = md(str(s_tag))
    note = md(str(bs.find("div",class_="alert-info"))).replace("任何解压相关问题请看网站顶部解压必读，不看而发问直接小黑屋","").strip()
    de_md = pattern.format(name=name,source_link=source_link,img_list=img_md,introduce=introduce,staff=staff,note=note)
    cur.execute("UPDATE mygalgame SET `descr_md`= ? WHERE raw_link= ? ",(de_md,source_link))
db.commit()
```

## 转存及展示

不想写QAQ，百度云下载近 `1.4T` 文件真的好慢好慢。

rclone用法太简单了，OneIndex v3的绑定也简单，直接照着提示走就行。

蒲公英（NPUBits）站点 Banner分析

Jul 15,2018 in Python,PT read (173)

某站5.20开放注册活动结果分析

Jul 11,2018 in Python,PT read (156)

很荣幸在本次活动中参与了某站点的最终审核过程。下面根据整次活动的过程进行梳理。

该活动以“将特定图片上传到微信朋友圈，发完后截图朋友圈，并上传截图”的形式展开，用户通过上传的朋友圈截图信息，就可以获得一定数量以上的奖励。

活动对上传的截图文件有以下要求：

- 请不要通过仅自己可见等设限方式上传到朋友圈
- 需要截图朋友圈带有自己发布内容的区域，不可以截图个人相册等其他区域
- 请完整截图，不要裁剪
- 如果同时加入了自己的文字推荐内容（如向大家介绍下本站），将有更高的几率获得更多奖励

同样，也列出了一些无法通过审核的原因：

- 图片没有标题栏或者标题没有写“朋友圈”字样，“我的相册”、“详情”均不能通过审核
- 上传编辑也不能通过审核
- 没有正确的图片，不能通过审核
- 请尽量包含朋友圈右侧个人头像区域，无法辨别是否本人所发的不能通过审核

## 结果一览

- **文件数量**

在本次活动中，总共收集到了 `10434` 张上传照片，总大小 `4.87 GB（ 5,239,552,373 字节）`，平均单个文件的大小为 `490.392 KiB`。图片大小最大为`6.57 MB`，最小仅为`1 KB`（当然是无效图片233）。

- **上传格式**

用户上传的截图文件类型主要为jpg以及png格式（居然还有一张是gif格式的Orz）。其占比如下：

![count_type.png](https://blog.rhilip.info/usr/uploads/2018/07/96982007.png)

- **用户截图/提交时间**

因为后台服务器并不对图片日期标签进行更改，所以通过读取图片文件的修改时间即可获取用户进行截图/上传的时间（这里有个假设就是用户截图后没多久就上传）。

在这些图片中，最早的一张的日期为`2018/5/18 17:42`，最后一张上传图片的日期戳为`2018/5/21 0:18`。通过对图片文件的时间进行统计并作图，可见，在20号15点52前提交人数均较少，而随着开放注册活动的持续进行，从20号19点30分到23点17分，出现用户参与活动的高潮，平均每次计数间隔（1分钟）均有超过30次提交。最高出现在`20:23`，在这一分钟内出现了共54次提交。

（这个日活还是挺恐怖的23333

![upload_time.png](https://blog.rhilip.info/usr/uploads/2018/07/1773464394.png)

- **图片分辨率**

如果假设用户未对图片做任何处理的话（实际上确实存在用户上传裁剪的或者其他情况存在），图片的分辨率应该是由手机自身分辨率确定的。通过使用Python的PIL库对文件夹内所有图片的分辨率进行统计，得到以下结果：有将近一半的上传照片的分辨率为`1080 x 1920` （5727张），即其他绝大部分的图片分辨率为`16:9`。很有意思的数据偏移点出现在 `240 x 240` 分辨率上，经过查询对应图片，发现该部分用户将网页提供的活动图片又原模原样的上传上来了23333  （掩耳盗铃是会被发现的23333

![imgW_H.png](https://blog.rhilip.info/usr/uploads/2018/07/1690842815.png)

通过统计，最常见（数量超过50）的图片分辨率为下表

|  imgW   |  imgH   |  count  |
| :-----: | :-----: | :-----: |
|  1080   |  1920   |  5727   |
|   750   |  1334   |  1587   |
|  1080   |  2160   |   573   |
|   640   |  1136   |   367   |
|  1242   |  2208   |   335   |
|  1440   |  2560   |   225   |
|   720   |  1280   |   204   |
| ~~240~~ | ~~240~~ | ~~105~~ |
|  1080   |  2220   |   76    |
|  1125   |  2436   |   72    |
|  1080   |  2339   |   69    |
|   540   |   960   |   59    |
|  1080   |  2280   |   57    |

- 审查结果

通过图片审查以及分类，将最终图片结果分为以下各类。**（注：本处统计结果不代表最终活动评奖结果。**

|   类别   | 说明                                                         |
| :------: | ------------------------------------------------------------ |
| 合格图片 | 使用手机截图功能对朋友圈进行截图，并可能加入文字推荐或纯图片上传的图片。 |
| 违规图片 | 违反活动规则的图片，如：微信非朋友圈（编辑页面、我的相册等）截图、微信朋友圈无法进行身份识别的图片、上传到其他平台的截图、原始图片二次上传、无关图片 |

![score.png](https://blog.rhilip.info/usr/uploads/2018/07/702323002.png)