Python爬蟲(chóng)進(jìn)階之爬取某視頻并下載的實(shí)現(xiàn)
這幾天在家閑得無(wú)聊,意外的挖掘到了一個(gè)資源網(wǎng)站(你懂得),但是網(wǎng)速慢廣告多下載不了種種原因讓我突然萌生了爬蟲(chóng)的想法。
下面說(shuō)說(shuō)流程:
一、網(wǎng)站分析
首先進(jìn)入網(wǎng)站,F(xiàn)12檢查,本來(lái)以為這種低端網(wǎng)站很好爬取,是我太低估了web主??梢钥吹轿宜⑿戮W(wǎng)頁(yè)之后,出現(xiàn)了很多js文件,并且響應(yīng)獲取的代碼與源代碼不一樣,這就不難猜到這個(gè)網(wǎng)站是動(dòng)態(tài)加載頁(yè)面。
目前我知道的動(dòng)態(tài)網(wǎng)頁(yè)爬取的方法只有這兩種:1、從網(wǎng)頁(yè)響應(yīng)中找到JS腳本返回的JSON數(shù)據(jù);2、使用Selenium對(duì)網(wǎng)頁(yè)進(jìn)行模擬訪問(wèn)。源代碼問(wèn)題好解決,重要的是我獲取的源代碼中有沒(méi)有我需要的東西。我再一次進(jìn)入網(wǎng)站進(jìn)行F12檢查源代碼,點(diǎn)擊左上角然后在頁(yè)面點(diǎn)擊一個(gè)視頻獲取一個(gè)元素的代碼,結(jié)果里面沒(méi)有嵌入的原視頻鏈接(看來(lái)我真的是把別人想的太笨了)。
沒(méi)辦法只有進(jìn)行抓包,去找js請(qǐng)求的接口。再一次F12打開(kāi)網(wǎng)頁(yè)調(diào)試工具,點(diǎn)擊單獨(dú)的一個(gè)視頻進(jìn)行播放,然后在Network中篩選一下,只看HXR響應(yīng)(HXR全稱(chēng)是XMLHTTPRequest,HMLHTTP是AJAX網(wǎng)頁(yè)開(kāi)發(fā)技術(shù)的重要組成部分。除XML之外,XMLHTTP還能用于獲取其它格式的數(shù)據(jù),如JSON或者甚至純文本。)。
然后我一項(xiàng)一項(xiàng)的去檢查返回的響應(yīng)信息,發(fā)現(xiàn)當(dāng)我點(diǎn)擊播放的時(shí)候有后綴為.m3u8的鏈接,隨后就不斷刷新.ts文件的鏈接。
本來(lái)以為這就是原視頻的地址,我傻傻的直接從這個(gè)m3u8文件的headers中的URL直接進(jìn)入網(wǎng)站看看,結(jié)果傻眼了,獲取的是一串串.ts的文件名。
沒(méi)辦法只能百度君了。 科普了一下,也就說(shuō)我們必須把ts文件都下載下來(lái)進(jìn)行合并之后才能轉(zhuǎn)成視頻。
好了,視頻原地址弄清楚了,現(xiàn)在我們開(kāi)始從一個(gè)視頻擴(kuò)展到首頁(yè)的整個(gè)頁(yè)面的視頻。再一次進(jìn)行抓包分析,發(fā)現(xiàn)一個(gè)API中包含了首頁(yè)的分類(lèi)列表,然而里面并沒(méi)有進(jìn)入分類(lèi)的URL地址,只有一個(gè)tagid值和圖片的地址。
于是我又在主頁(yè)點(diǎn)一個(gè)分類(lèi),再次進(jìn)行抓包,發(fā)現(xiàn)了一個(gè)API中包含了一個(gè)分類(lèi)的單頁(yè)所有視頻的信息,通過(guò)他們的headers中的URL對(duì)比發(fā)現(xiàn),關(guān)于視頻的前一部分都是https:xxxxxxx&c=video,然后m=categories,通過(guò)字面意思我們都可以知道是分類(lèi),而每個(gè)tagid值對(duì)應(yīng)不同的分類(lèi)。并且還發(fā)現(xiàn)每個(gè)URL中都追加了時(shí)間戳timestamp(這是web主為了確保請(qǐng)求不會(huì)在它第一次被發(fā)送后即緩存,看來(lái)還是有小心機(jī)?。?。當(dāng)m=lists,則是每個(gè)分類(lèi)下的視頻列表,這里面我們就可以找到每個(gè)視頻對(duì)應(yīng)的ID了。
通過(guò)id我們可以獲取到視頻的詳細(xì)信息,并且還有m3u8文件URL地址的后面一部分。
好了,網(wǎng)站我們解析清楚了,現(xiàn)在開(kāi)始堆碼了。
二、寫(xiě)代碼
導(dǎo)入相關(guān)模塊
import requests from datetime import datetime import re #import json import time import os #視頻分類(lèi)和視頻列表URL的前一段 url = "http://xxxxxxx/api/?d=pc&c=video&" #m3u8文件和ts文件的URL前一段 m3u8_url ='https://xxxxxxxxxxxxx/videos/cherry-prod/2020/03/01/2dda82de-5b31-11ea-b5ae-1c1b0da2bc3f/hls/480/' #構(gòu)造請(qǐng)求頭信息 header = {"user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2"} #創(chuàng)建空列表存放視頻信息 vediomassag='' #返回當(dāng)前時(shí)間戳 TimeStamp = int(datetime.timestamp(datetime.now()))
2.定義函數(shù),獲取網(wǎng)站首頁(yè)分類(lèi)列表信息
#自定義函數(shù)獲取分類(lèi) def get_vediocategory(url, TimeStamp): cgURL = url + "m=categories×tamp=" + str(TimeStamp) + '&' response = requests.get(cgURL, headers=header) category = response.text # strrr='"%s"'%category # return strrr return category
3.定義函數(shù),通過(guò)上一個(gè)函數(shù)返回的分類(lèi)信息,根據(jù)分類(lèi)對(duì)應(yīng)的id,輸入id并傳輸?shù)疆?dāng)前URL中以便獲取分類(lèi)下的視頻列表信息
#獲取分類(lèi)后的視頻列表 def get_vedioList(url, TimeStamp, tagID): listURL = url + "m=lists×tamp=" + str(TimeStamp) + '&' + "page=1&tag_id=" + str(tagID) + "&sort_type=&is_vip=0" response = requests.get(listURL, headers=header) vedioLists = response.text return vedioLists
4.在視頻列表信息中獲取視頻對(duì)應(yīng)的id,獲取單個(gè)視頻詳細(xì)信息的URL
#獲取單個(gè)視頻的詳細(xì)信息 def get_vediomassages(url, TimeStamp, vedioID): videoURL = url + "m=detail×tamp=" + str(TimeStamp) + '&' + "&id=" + str(vedioID) response = requests.get(videoURL, headers=header) vediomassag = response.text return vediomassag
5.在視頻詳細(xì)信息中找到m3u8文件的下載地址,并將文件保存到創(chuàng)建的文件中
#將下載的m3u8文件放進(jìn)創(chuàng)建的ts列表文件中 def get_m3u8List(m3u8_url,vediomassag): lasturl = r'"m3u8_720_url":"(.*?)","download_url' last_url =re.findall(lasturl,vediomassag) lastURL=m3u8_url+str(last_url) response = requests.get(lastURL, headers=header) tsList = response.text cur_path='E:\\files' #在指定路徑建立文件夾 try: if not os.path.isdir(cur_path): #確認(rèn)文件夾是否存在 os.makedirs(cur_path) #不存在則新建 except: print("文件夾存在") filename=cur_path+'\\t2.txt' #在文件夾中存放txt文件 f = open(filename,'a', encoding="utf-8") f.write(tsList) f.close print('創(chuàng)建%s文件成功'%(filename)) return filename
6.將m3u8文件中的ts單個(gè)提取出來(lái)放進(jìn)列表中。
# 提取ts列表文件的內(nèi)容,逐個(gè)拼接ts的url,形成list def get_tsList(filename): ls = [] with open(filename, "r") as file: line = f.readlines() for line in lines: if line.endswith(".ts\n"): ls.append(line[:-1]) return ls
7.遍歷列表獲取單個(gè)ts地址,請(qǐng)求下載ts文件放進(jìn)創(chuàng)建的文件夾中
# 批量下載ts文件 def DownloadTs(ls): length = len(ls) root='E:\\mp4' try: if not os.path.exists(root): os.mkdir(root) except: print("文件夾創(chuàng)建失敗") try: for i in range(length): tsname = ls[i][:-3] ts_URL=url+ls[i] print(ts_URL) r = requests.get(ts_URL) with open(root, 'a') as f: f.write(r.content) f.close() print('\r' + tsname + " -->OK ({}/{}){:.2f}%".format(i, length, i * 100 / length), end='') print("下載完畢") except: print("下載失敗")
代碼整合
import requests from datetime import datetime import re #import json import time import os url = "http://xxxxxxxx/api/?d=pc&c=video&" m3u8_url ='https://xxxxxxxxxxxxxxx/videos/cherry-prod/2020/03/01/2dda82de-5b31-11ea-b5ae-1c1b0da2bc3f/hls/480/' header = {"user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2"} vediomassag='' TimeStamp = int(datetime.timestamp(datetime.now())) #自定義函數(shù)獲取分類(lèi) def get_vediocategory(url, TimeStamp): cgURL = url + "m=categories×tamp=" + str(TimeStamp) + '&' response = requests.get(cgURL, headers=header) category = response.text # strrr='"%s"'%category # return strrr return category #獲取分類(lèi)后的視頻列表 def get_vedioList(url, TimeStamp, tagID): listURL = url + "m=lists×tamp=" + str(TimeStamp) + '&' + "page=1&tag_id=" + str(tagID) + "&sort_type=&is_vip=0" response = requests.get(listURL, headers=header) vedioLists = response.text return vedioLists #獲取單個(gè)視頻的詳細(xì)信息 def get_vediomassages(url, TimeStamp, vedioID): videoURL = url + "m=detail×tamp=" + str(TimeStamp) + '&' + "&id=" + str(vedioID) response = requests.get(videoURL, headers=header) vediomassag = response.text return vediomassag #將下載的m3u8文件放進(jìn)創(chuàng)建的ts列表文件中 def get_m3u8List(m3u8_url,vediomassag): lasturl = r'"m3u8_720_url":"(.*?)","download_url' last_url =re.findall(lasturl,vediomassag) lastURL=m3u8_url+str(last_url) response = requests.get(lastURL, headers=header) tsList = response.text cur_path='E:\\files' #在指定路徑建立文件夾 try: if not os.path.isdir(cur_path): #確認(rèn)文件夾是否存在 os.makedirs(cur_path) #不存在則新建 except: print("文件夾存在") filename=cur_path+'\\t2.txt' #在文件夾中存放txt文件 f = open(filename,'a', encoding="utf-8") f.write(tsList) f.close print('創(chuàng)建%s文件成功'%(filename)) return filename # 提取ts列表文件的內(nèi)容,逐個(gè)拼接ts的url,形成list def get_tsList(filename): ls = [] with open(filename, "r") as file: line = f.readlines() for line in lines: if line.endswith(".ts\n"): ls.append(line[:-1]) return ls # 批量下載ts文件 def DownloadTs(ls): length = len(ls) root='E:\\mp4' try: if not os.path.exists(root): os.mkdir(root) except: print("文件夾創(chuàng)建失敗") try: for i in range(length): tsname = ls[i][:-3] ts_URL=url+ls[i] print(ts_URL) r = requests.get(ts_URL) with open(root, 'a') as f: f.write(r.content) f.close() print('\r' + tsname + " -->OK ({}/{}){:.2f}%".format(i, length, i * 100 / length), end='') print("下載完畢") except: print("下載失敗") '''# 整合所有ts文件,保存為mp4格式(此處函數(shù)復(fù)制而來(lái)未做實(shí)驗(yàn),本人直接在根目錄 命令行輸入copy/b*.ts 文件名.mp4,意思是將所有ts文件合并轉(zhuǎn)換成自己命名的MP4格式 文件。) def MergeMp4(): print("開(kāi)始合并") path = "E://mp4//" outdir = "output" os.chdir(root) if not os.path.exists(outdir): os.mkdir(outdir) os.system("copy /b *.ts new.mp4") os.system("move new.mp4 {}".format(outdir)) print("結(jié)束合并")''' if __name__ == '__main__': # 將獲取的分類(lèi)信息解碼顯示出來(lái) # print(json.loads(get_vediocategory(url, TimeStamp))) print(get_vediocategory(url, TimeStamp)) tagID = input("請(qǐng)輸入分類(lèi)對(duì)應(yīng)的id") print(get_vedioList(url, TimeStamp, tagID)) vedioID = input("請(qǐng)輸入視頻對(duì)應(yīng)的id") get_vediomassages(url, TimeStamp, vedioID) get_m3u8List(m3u8_url,vediomassag) get_tsList(filename) DownloadTs(ls) # MergeMp4()
此時(shí)正在下載
三、問(wèn)題:
首先對(duì)于這種網(wǎng)站采取的爬取方法有很多,而我的方法相對(duì)來(lái)說(shuō)有點(diǎn)太低端了,并且我也 是第一次寫(xiě)博客,第一次寫(xiě)爬蟲(chóng)這類(lèi)程序,在格式上命名上存在著很多問(wèn)題,函數(shù)的用法不全面。并且在運(yùn)行的時(shí)候效率低速度太慢。在獲取分類(lèi)列表和視頻列表時(shí),因?yàn)槭荍SON文件,需要轉(zhuǎn)碼,過(guò)程太多加上程序不夠穩(wěn)定我就注釋掉了。還有就是對(duì)于這種動(dòng)態(tài)網(wǎng)頁(yè)了解不夠,所以學(xué)爬蟲(chóng)的小伙伴一定要把網(wǎng)頁(yè)的基礎(chǔ)搞好。希望各位大佬多指正多批評(píng),讓我們這些小白一起努力學(xué)好Python。
注意:里面所有的鏈接我的給打碼了,怕被和諧了哈哈
到此這篇關(guān)于Python爬蟲(chóng)進(jìn)階之爬取某視頻并下載的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Python 爬取某視頻并下載內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
淺談Python中用datetime包進(jìn)行對(duì)時(shí)間的一些操作
下面小編就為大家?guī)?lái)一篇淺談Python中用datetime包進(jìn)行對(duì)時(shí)間的一些操作。小編覺(jué)得挺不錯(cuò)的,現(xiàn)在就分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2016-06-06tensorflow ckpt模型和pb模型獲取節(jié)點(diǎn)名稱(chēng),及ckpt轉(zhuǎn)pb模型實(shí)例
今天小編就為大家分享一篇tensorflow ckpt模型和pb模型獲取節(jié)點(diǎn)名稱(chēng),及ckpt轉(zhuǎn)pb模型實(shí)例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-01-01Python使用PyYAML庫(kù)讀寫(xiě)yaml文件的方法
這篇文章主要介紹了Python使用PyYAML庫(kù)讀寫(xiě)yaml文件的方法,包括YAML基本概念介紹及YAML語(yǔ)法知識(shí),結(jié)合示例代碼給大家介紹的非常詳細(xì),需要的朋友可以參考下2022-04-04python Autopep8實(shí)現(xiàn)按PEP8風(fēng)格自動(dòng)排版Python代碼
這篇文章主要介紹了python Autopep8實(shí)現(xiàn)按PEP8風(fēng)格自動(dòng)排版Python代碼,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-03-03詳解pandas刪除缺失數(shù)據(jù)(pd.dropna()方法)
這篇文章主要介紹了pandas刪除缺失數(shù)據(jù)(pd.dropna()方法),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-06-06python標(biāo)準(zhǔn)庫(kù)學(xué)習(xí)之sys模塊詳解
sys模塊是最常用的和python解釋器交互的模塊,sys模塊可供訪問(wèn)由解釋器(interpreter)使用或維護(hù)的變量和與解釋器進(jìn)行交互的函數(shù),下面這篇文章主要給大家介紹了關(guān)于python標(biāo)準(zhǔn)庫(kù)學(xué)習(xí)之sys模塊的相關(guān)資料,需要的朋友可以參考下2022-08-08