Python爬蟲教程：Python爬取視頻之日本愛情電影

肉身翻墻后，感受一下外面的骯臟世界。墻內(nèi)的朋友叫苦不迭，由于某些原因，VPN能用的越來越少。上周我的好朋友狗子和我哭訴說自己常用的一個VPN終于也壽終正寢了，要和眾多的日本小姐姐說再見了。作為“外面人”，我還是要幫他一把……

初探

狗子給我的網(wǎng)站還算良心，只跳了五個彈窗就消停了。 

然后看到的就是各種穿不起衣服的女生的賣慘視頻，我趕緊閉上眼睛，默念了幾句我佛慈悲。 

Tokyo真的有那么hot？ 

給狗子發(fā)了一張大的截圖，狗子用涂鴉給我圈出了其中一個。 

我和狗子說“等著吧” 

（放心網(wǎng)站截圖我是打了碼也不敢放的。。。）

點(diǎn)進(jìn)去之后，可以在線播放。 

右下角有一個 Download 按鈕，點(diǎn)擊之后需要注冊付費(fèi)。 

當(dāng)時我就火了，這種賣慘視頻毒害我兄弟精神，還敢收錢？！ 

自己動手，豐衣足食！

環(huán)境 & 依賴

Win10 64bit 

IDE: PyCharm 

Python 3.6 

python-site-packegs: requests + BeautifulSoup + lxml + re + m3u8

在已經(jīng)安裝pip的環(huán)境下均可直接命令行安裝

網(wǎng)站解析

將鏈接復(fù)制到Chrome瀏覽器打開 

（我平時用獵豹，也是Chrome內(nèi)核，界面比較舒服，但是這個時候必須大喊一聲谷歌大法好） 

菜單——更多工具——開發(fā)者選項(xiàng)（或者快捷鍵F12）進(jìn)入Chrome內(nèi)置的開發(fā)者模式 

大概界面是這樣

（唉打碼真的累。。。。） 

然后，根據(jù)提示，逐層深入標(biāo)簽找到視頻的具體位置 

這個網(wǎng)站存放的位置是 …->flash->video_container->video-player 

顯然視頻就放在這個這個video-player中 

在這個標(biāo)簽中，有一個名字為 source 的鏈接，src=”http://#%@就不告訴你#@￥” 

Easy好吧！ 

這點(diǎn)小把戲還難得到我？我已經(jīng)準(zhǔn)備和狗子要紅包了 

復(fù)制該鏈接到地址欄粘貼并轉(zhuǎn)到，然后，神奇的一幕出現(xiàn)了!!

What？？？

這是什么？？？

為啥這么小？？？

科普概念如上，那也就是說，m3u8記錄了真實(shí)的視頻所在的地址。

Network Traffic

想要從源碼直接獲得真實(shí)下載地址怕是行不通了。 

這時候再和我一起讀“谷歌大法好！” 

很簡單，瀏覽器在服務(wù)器中Get到視頻呈現(xiàn)到我們面前，那這個過程必定經(jīng)過了解析這一步。 

那我們也可以利用瀏覽器這個功能來進(jìn)行解析

依舊在開發(fā)者模式，最上面一行的導(dǎo)航欄，剛剛我們在Elements選項(xiàng)卡，現(xiàn)在切換到Network 

我們監(jiān)聽視頻播放的時候的封包應(yīng)該就可以得到真實(shí)的視頻地址了，試試看！

我們驚喜的發(fā)現(xiàn)，一個又一個的 .ts 文件正在載入了 

（如果在圖片里發(fā)現(xiàn)任何url請友情提醒我謝謝不然怕是水表難保）

知識點(diǎn)！這都是知識點(diǎn)?。ㄇ煤诎澹。?/span>

點(diǎn)開其中的一個.ts文件看一下 

這里可以看到請求頭，雖然url被我走心的碼掉了，但這就是真實(shí)的視頻地址了

復(fù)制這個URL到地址欄，下載 

9s。。。。。 

每一個小視頻只有9s，難道要一個又一個的去復(fù)制嗎？

視頻片段爬取

答案是當(dāng)然不用。 

這里我們要請出網(wǎng)絡(luò)數(shù)據(jù)采集界的裝逼王：Python爬蟲?。?！

首先進(jìn)行初始化，包括路徑設(shè)置，請求頭的偽裝等。

采集部分主要是將requests的get方法放到了for循環(huán)當(dāng)中 

這樣做可行的原因在于，在Network監(jiān)聽的圖中我們可以看到.ts文件的命名是具有規(guī)律的 seg-i-v1-a1，將i作為循環(huán)數(shù)

那么問題又來了，我怎么知道循環(huán)什么時候結(jié)束呢？也就是說我怎么知道i的大小呢？ 

等等，我好像記得在視頻播放的框框右下角有時間來著？ 

在開發(fā)者模式中再次回到Element選項(xiàng)卡，定位到視頻框右下角的時間，標(biāo)簽為duration，這里的時間格式是 時：分：秒格式的，我們可以計(jì)算得到總時長的秒數(shù) 

但是呢，這樣需要我們先獲取這個時間，然后再進(jìn)行字符串的拆解，再進(jìn)行數(shù)學(xué)運(yùn)算，太復(fù)雜了吧，狗子已經(jīng)在微信催我了 

Ctrl+F全局搜索duration 

Yes!!!

好了，可以點(diǎn)擊運(yùn)行然后去喝杯咖啡，哦不，我喜歡喝茶。

一杯茶的功夫，回來之后已經(jīng)下載完成。我打開文件夾check一下，發(fā)現(xiàn)從編號312之后的clip都是只有573字節(jié)，打開播放的話，顯示的是數(shù)據(jù)損壞。 

沒關(guān)系，從312開始繼續(xù)下載吧。然而下載得到的結(jié)果還是一樣的573字節(jié)，而且下了兩百多個之后出現(xiàn)了拒絕訪問錯誤。

動態(tài)代理

顯然我的IP被封了。之前的多個小項(xiàng)目，或是因?yàn)榫W(wǎng)站防護(hù)不夠嚴(yán)格，或是因?yàn)閿?shù)據(jù)條目數(shù)量較少，一直沒有遇到過這種情況，這次的數(shù)據(jù)量增加，面對這種情況采取兩種措施，一種是休眠策略，另一種是動態(tài)代理。現(xiàn)在我的IP已經(jīng)被封了，所以休眠也為時已晚，必須采用動態(tài)IP了。 

主要代碼如下所示 

合并文件

然后，我們得到了幾百個9s的.ts小視頻

然后，在cmd命令行下，我們進(jìn)入到這些小視頻所在的路徑 

執(zhí)行

copy/b %s\*.ts %s\new.ts

很快，我們就得到了合成好的視頻文件 

當(dāng)然這個前提是這幾百個.ts文件是按順序排列好的。

成果如下

優(yōu)化—調(diào)用DOS命令 + 解析m3u8

為了盡可能的減少人的操作，讓程序做更多的事 

我們要把盡量多的操作寫在code中

引用os模塊進(jìn)行文件夾切換，在程序中直接執(zhí)行合并命令 

并且，在判斷合并完成后，使用清除幾百個ts文件

這樣，我們運(yùn)行程序后，就真的可以去喝一杯茶，回來之后看到的就是沒有任何多余的一個完整的最終視頻

也就是說，要獲得一個完整的視頻，我們現(xiàn)在需要輸入視頻網(wǎng)頁鏈接，還需要使用chrome的network解析得到真實(shí)下載地址。第二個部分顯然不夠友好，還有提升空間。

所以第一個嘗試是，可不可以有一個工具或者一個包能嗅探到指定網(wǎng)頁的network traffic，因?yàn)槲覀儎倓傄呀?jīng)看到真實(shí)地址其實(shí)就在requestHeader中，關(guān)鍵在于怎樣讓程序自動獲取。

查閱資料后，嘗試了Selenium + PhantomJS的組合模擬瀏覽器訪問，用一個叫做browsermobProxy的工具嗅探保存HAR（HTTP archive）。在這個上面花費(fèi)了不少時間，但是關(guān)于browsermobProxy的資料實(shí)在是太少了，即使是在google上，搜到的也都是基于java的一些資料，面向的python的API也是很久沒有更新維護(hù)了。此路不通。

在放棄之前，我又看一篇網(wǎng)站的源碼，再次把目光投向了m3u8，上面講到這個文件應(yīng)該是包含文件真實(shí)地址的索引，索引能不能把在這上面做些文章呢？

Python不愧是萬金油語言，packages多到令人發(fā)指，m3u8處理也是早就有熟肉。

pip install m3u8

這是一個比較小眾的包，沒有什么手冊，只能自己讀源碼。

這個class中已經(jīng)封裝好了不少可以直接供使用的數(shù)據(jù)類型，回頭抽時間可以寫一寫這個包的手冊。

現(xiàn)在，我們可以從requests獲取的源碼中，首先找到m3u8的下載地址，首先下載到本地，然后用m3u8包進(jìn)行解析，獲取真實(shí)下載地址。

并且，解析可以得到所有地址，意味著可以省略上面的獲取duration計(jì)算碎片數(shù)目的步驟。

最終

最終，我們現(xiàn)在終于可以，把視頻網(wǎng)頁鏈接丟進(jìn)url中，點(diǎn)擊運(yùn)行，然后就可以去喝茶了。 

再來總結(jié)一下實(shí)現(xiàn)這個的幾個關(guān)鍵點(diǎn)： 

- 網(wǎng)頁解析 

- m3u8解析 

- 動態(tài)代理設(shè)置 

- DOS命令行的調(diào)用

動手是最好的老師，尤其這種網(wǎng)站，兼具趣味性和挑戰(zhàn)性，就是身體一天不如一天。。。

完整代碼

# -*- coding:utf-8 -*-import requestsfrom bs4 import BeautifulSoupimport osimport lxmlimport timeimport randomimport reimport m3u8
class ViedeoCrawler():    def __init__(self):        self.url = ""        self.down_path = r"F:\Spider\VideoSpider\DOWN"        self.final_path = r"F:\Spider\VideoSpider\FINAL"        try:            self.name = re.findall(r'/[A-Za-z]*-[0-9]*',self.url)[0][1:]        except:            self.name = "uncensord"        self.headers = {            'Connection': 'Keep-Alive',            'Accept': 'text/html, application/xhtml+xml, */*',            'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',            'User-Agent':'Mozilla/5.0 (Linux; U; Android 6.0; zh-CN; MZ-m2 note Build/MRA58K) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/40.0.2214.89 MZBrowser/6.5.506 UWS/2.10.1.22 Mobile Safari/537.36'        }
    def get_ip_list(self):        print("正在獲取代理列表...")        url = 'http://www.xicidaili.com/nn/'        html = requests.get(url=url, headers=self.headers).text        soup = BeautifulSoup(html, 'lxml')        ips = soup.find(id='ip_list').find_all('tr')        ip_list = []        for i in range(1, len(ips)):            ip_info = ips[i]            tds = ip_info.find_all('td')            ip_list.append(tds[1].text + ':' + tds[2].text)        print("代理列表抓取成功.")        return ip_list
    def get_random_ip(self,ip_list):        print("正在設(shè)置隨機(jī)代理...")        proxy_list = []        for ip in ip_list:            proxy_list.append('http://' + ip)        proxy_ip = random.choice(proxy_list)        proxies = {'http': proxy_ip}        print("代理設(shè)置成功.")        return proxies
    def get_uri_from_m3u8(self,realAdr):        print("正在解析真實(shí)下載地址...")        with open('temp.m3u8', 'wb') as file:            file.write(requests.get(realAdr).content)        m3u8Obj = m3u8.load('temp.m3u8')        print("解析完成.")        return m3u8Obj.segments
    def run(self):        print("Start!")        start_time = time.time()        os.chdir(self.down_path)        html = requests.get(self.url).text        bsObj = BeautifulSoup(html, 'lxml')        realAdr = bsObj.find(id="video-player").find("source")['src']
        # duration = bsObj.find('meta', {'property': "video:duration"})['content'].replace("\"", "")        # limit = int(duration) // 10 + 3
        ip_list = self.get_ip_list()        proxies = self.get_random_ip(ip_list)        uriList = self.get_uri_from_m3u8(realAdr)        i = 1   # count        for key in uriList:            if i%50==0:                print("休眠10s")                time.sleep(10)            if i%120==0:                print("更換代理IP")                proxies = self.get_random_ip(ip_list)            try:                resp = requests.get(key.uri, headers = self.headers, proxies=proxies)            except Exception as e:                print(e)                return            if i < 10:                name = ('clip00%d.ts' % i)            elif i > 100:                name = ('clip%d.ts' % i)            else:                name = ('clip0%d.ts' % i)            with open(name,'wb') as f:                f.write(resp.content)                print('正在下載clip%d' % i)            i = i+1        print("下載完成！總共耗時 %d s" % (time.time()-start_time))        print("接下來進(jìn)行合并……")        os.system('copy/b %s\\*.ts %s\\%s.ts' % (self.down_path,self.final_path, self.name))        print("合并完成，請您欣賞！")        y = input("請檢查文件完整性，并確認(rèn)是否要刪除碎片源文件？(y/n)")        if y=='y':            files = os.listdir(self.down_path)            for filena in files:                del_file = self.down_path + '\\' + filena                os.remove(del_file)            print("碎片文件已經(jīng)刪除完成")        else:            print("不刪除，程序結(jié)束。")
if __name__=='__main__':    crawler = ViedeoCrawler()    crawler.run()

搜索下方加老師微信

老師微信號：XTUOL1988【切記備注：學(xué)習(xí)Python】

領(lǐng)取Python web開發(fā)，Python爬蟲，Python數(shù)據(jù)分析，人工智能等精品學(xué)習(xí)課程。帶你從零基礎(chǔ)系統(tǒng)性的學(xué)好Python！

源自：https://blog.csdn.net/JosephPai/article/

聲明：文章著作權(quán)歸作者所有，如有侵權(quán)，請聯(lián)系小編刪除