Python爬蟲進階之爬取某視頻並下載

這幾天在家閒得無聊，意外的挖掘到了一個資源網站（你懂得），但是網速慢廣告多下載不了種種原因讓我突然萌生了爬蟲的想法。

下面說說流程：

一、網站分析

首先進入網站，F12檢查，本來以爲這種低端網站很好爬取，是我太低估了web主。可以看到我刷新網頁之後，出現了很多js文件，並且響應獲取的代碼與源代碼不一樣，這就不難猜到這個網站是動態加載頁面。

目前我知道的動態網頁爬取的方法只有這兩種：1、從網頁響應中找到JS腳本返回的JSON數據；2、使用Selenium對網頁進行模擬訪問。源代碼問題好解決，重要的是我獲取的源代碼中有沒有我需要的東西。我再一次進入網站進行F12檢查源代碼，點擊左上角然後在頁面點擊一個視頻獲取一個元素的代碼，結果裏面沒有嵌入的原視頻鏈接（看來我真的是把別人想的太笨了）。

沒辦法只有進行抓包，去找js請求的接口。再一次F12打開網頁調試工具，點擊單獨的一個視頻進行播放，然後在Network中篩選一下，只看HXR響應（HXR全稱是XMLHTTPRequest,HMLHTTP是AJAX網頁開發技術的重要組成部分。除XML之外，XMLHTTP還能用於獲取其它格式的數據，如JSON或者甚至純文本。）。

然後我一項一項的去檢查返回的響應信息，發現當我點擊播放的時候有後綴爲.m3u8的鏈接，隨後就不斷刷新.ts文件的鏈接。

本來以爲這就是原視頻的地址，我傻傻的直接從這個m3u8文件的headers中的URL直接進入網站看看，結果傻眼了，獲取的是一串串.ts的文件名。

沒辦法只能百度君了。科普了一下，也就說我們必須把ts文件都下載下來進行合併之後才能轉成視頻。

好了，視頻原地址弄清楚了，現在我們開始從一個視頻擴展到首頁的整個頁面的視頻。再一次進行抓包分析，發現一個API中包含了首頁的分類列表，然而裏面並沒有進入分類的URL地址，只有一個tagid值和圖片的地址。

於是我又在主頁點一個分類，再次進行抓包，發現了一個API中包含了一個分類的單頁所有視頻的信息，通過他們的headers中的URL對比發現，關於視頻的前一部分都是https:xxxxxxx&c=video,然後m=categories，通過字面意思我們都可以知道是分類，而每個tagid值對應不同的分類。並且還發現每個URL中都追加了時間戳timestamp（這是web主爲了確保請求不會在它第一次被髮送後即緩存，看來還是有小心機啊）。當m=lists，則是每個分類下的視頻列表，這裏面我們就可以找到每個視頻對應的ID了。

通過id我們可以獲取到視頻的詳細信息，並且還有m3u8文件URL地址的後面一部分。好了，網站我們解析清楚了，現在開始堆碼了。

二、寫代碼

導入相關模塊

import requests
from datetime import datetime
import re
#import json 
import time
import os

#視頻分類和視頻列表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/'
#構造請求頭信息
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"}
#創建空列表存放視頻信息
vediomassag=''
#返回當前時間戳
TimeStamp = int(datetime.timestamp(datetime.now()))

2.定義函數，獲取網站首頁分類列表信息

#自定義函數獲取分類
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，通過上一個函數返回的分類信息，根據分類對應的id，輸入id並傳輸到當前URL中以便獲取分類下的視頻列表信息

#獲取分類後的視頻列表
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應的id，獲取單個視頻詳細信息的URL

#獲取單個視頻的詳細信息
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.在視頻詳細信息中找到m3u8文件的下載地址，並將文件保存到創建的文件中

#將下載的m3u8文件放進創建的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('創建%s文件成功'%(filename))
    return filename

6.將m3u8文件中的ts單個提取出來放進列表中。

# 提取ts列表文件的內容，逐個拼接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ts地址，請求下載ts文件放進創建的文件夾中

# 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()))



#自定義函數獲取分類
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

#獲取分類後的視頻列表
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

#獲取單個視頻的詳細信息
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文件放進創建的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('創建%s文件成功'%(filename))
    return filename

# 提取ts列表文件的內容，逐個拼接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，保存爲mp4格式（此處函數複製而來未做實驗，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文件合併轉換成自己命名的MP4格式
文件。）
def MergeMp4():
    print("開始合併")
    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("結束合併")'''
    
if __name__ == '__main__':
#    將獲取的分類信息解碼顯示出來
#    print(json.loads(get_vediocategory(url, TimeStamp)))
    print(get_vediocategory(url, TimeStamp))
    tagID = input("請輸入分類對應的id")
    print(get_vedioList(url, TimeStamp, tagID))
    vedioID = input("請輸入視頻對應的id")
    get_vediomassages(url, TimeStamp, vedioID)
    get_m3u8List(m3u8_url,vediomassag)
    get_tsList(filename)
    DownloadTs(ls)
#    MergeMp4()

此時正在下載

三、問題：

首先對於這種網站採取的爬取方法有很多，而我的方法相對來說有點太低端了，並且我也是第一次寫博客，第一次寫爬蟲這類程序，在格式上命名上存在着很多問題，函數的用法不全面。並且在運行的時候效率低速度太慢。在獲取分類列表和視頻列表時，因爲是JSON文件，需要轉碼，過程太多加上程序不夠穩定我就註釋掉了。還有就是對於這種動態網頁瞭解不夠，所以學爬蟲的小夥伴一定要把網頁的基礎搞好。希望各位大佬多指正多批評，讓我們這些小白一起努力學好Python。

注意：裏面所有的鏈接我的給打碼了，怕被和諧了哈哈

感謝這幾位大佬的文章：
1.python之爬蟲（爬取.ts文件並將其合併爲.MP4文件——以及一些異常的注意事項）

2.利用python爬蟲通過m3u8文件下載ts視頻

Python爬蟲進階之爬取某視頻並下載

一、網站分析

二、寫代碼

三、問題：

HTML頁面關於高分屏的設置

北歐瑞典挪威芬蘭瑞士TikTok海外網紅與YouTube博主的合作模式

歐洲英國德國法國TikTok與YouTube海外網紅達人的完美合作策略

druid數據源 xml配置

史上最詳細Python爬蟲基礎教學（一）

Python爬蟲進階之爬取籃球賽數據

Python爬蟲進階之爬取某視頻並下載

還在用selenium爬網頁？appium帶你搞定APP

Python爬蟲進階之多線程爬取數據並保存到數據庫

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結