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)?。．?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 requestsfrom datetime import datetimeimport re#import json import timeimport 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&timestamp=' + 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&timestamp=' + 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&timestamp=' + 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listdef get_tsList(filename): ls = [] with open(filename, 'r') as file: line = f.readlines() for line in lines: if line.endswith('.tsn'): 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 requestsfrom datetime import datetimeimport re#import jsonimport timeimport osurl = '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&timestamp=' + 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&timestamp=' + 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&timestamp=' + 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listdef get_tsList(filename): ls = [] with open(filename, 'r') as file: line = f.readlines() for line in lines: if line.endswith('.tsn'): 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)搜索好吧啦網(wǎng)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好吧啦網(wǎng)！