实战:带你用Python爬取抖音app视频-技术圈

作者：哈库呐玛塔塔
来源：https://urlify.cn/ANzAre
记录一下如何用python爬取app数据，本文以爬取抖音视频app为例。
编程工具：pycharm
app抓包工具：mitmproxy
app自动化工具：appium
运行环境：windows10
思路：
假设已经配置好我们所需要的工具
1、使用mitmproxy对手机app抓包获取我们想要的内容
2、利用appium自动化测试工具，驱动app模拟人的动作（滑动、点击等）
3、将1和2相结合达到自动化爬虫的效果
# mitmproxy/mitmdump抓包
确保已经安装好了mitmproxy，并且手机和PC处于同一个局域网下，同时也配置好了mitmproxy的CA证书，网上有很多相关的配置教程，这里我就略过了。
因为mitmproxy不支持windows系统，所以这里用的是它的组件之一mitmdump，它是mitmproxy的命令行接口，可以利用它对接我们的Python脚本，用Python实现监听后的处理。
在配置好mitmproxy之后,在控制台上输入mitmdump并在手机上打开抖音app，mitmdump会呈现手机上的所有请求，如下图

可以在抖音app一直往下滑，看mitmdump所展示的请求，会发现前缀分别为

http://v1-dy.ixigua.com/；http://v3-dy.ixigua.com/；http://v9-dy.ixigua.com/

这3个类型前缀的url正是我们的目标抖音视频url。
那接下来就要编写python脚本将视频下载下来，需要使用 mitmdump -s scripts.py（此处为python文件名）来执行脚本。

import requests# 文件路径path = 'D:/video/'num = 1788

def response(flow):    global num    # 经测试发现视频url前缀主要是3个    target_urls = ['http://v1-dy.ixigua.com/', 'http://v9-dy.ixigua.com/',                   'http://v3-dy.ixigua.com/']    for url in target_urls:        # 过滤掉不需要的url        if flow.request.url.startswith(url):            # 设置视频名            filename = path + str(num) + '.mp4'            # 使用request获取视频url的内容            # stream=True作用是推迟下载响应体直到访问Response.content属性            res = requests.get(flow.request.url, stream=True)            # 将视频写入文件夹            with open(filename, 'ab') as f:                f.write(res.content)                f.flush()                print(filename + '下载完成')            num += 1

代码写得比较粗糙，不过基本的逻辑还是比较清晰的，这样我们就可以把抖音的视频下载下来，不过这个方法有个缺陷，就是获取视频需要人来不断地滑动抖音的下一个视频，这时候我们可以用一个强大的appium自动化测试工具来解决。
# Appium对手机进行模拟操作
确保已经配置好appium所依赖的环境Android和SDK，网上也有许多教程，这里我就不说了。
appium的用法很简单，首先我们先打开appium，启动界面如下

点击Start Server按钮即可启动appium服务

将Android手机通过数据线与PC相连，同时打开USE调试功能，可以输入adb命令（具体可以去网上查找）测试连接情况，若出现以下结果，则说明连接成功

model是设备名，后面配置需要用到。之后点击下图箭头所指的按钮就会出现一个配置页面

在右下角的JSON Representation配置启动app的Desired Capabilities参数，分别是paltformName、deviceName、appPackage、appActivity。
platformName:平台名称，一般是Android或iOS.
deviceName:设备名称，手机的具体类型
appPackage:App程序包名
appActivity:入口Activity名，通常以.开头

platformName和deviceName比较容易获得，而appPackage和appActivity这两个可以通过以下方法获取到。
在控制台上输入 adb logcat>D:\log.log 命令，并且在手机打开抖音app，然后在D盘中打开log.log文件，查找Displayed关键字

由上图可以知道Displayed后面的 com.ss.android.ugc.aweme对应的是appPackage，.main.MainActivity对应的是appActivity，最后我们的配置结果如下：

{  "platformName": "Android",  "deviceName": "Mi_Note_3",  "appPackage": "com.ss.android.ugc.aweme",  "appActivity": ".main.MainActivity"}

再点击Start Session即可启动Android手机上的抖音app并进入到启动页面，同时PC上会弹出一个调试窗口，从这个窗口可以预览当前手机页面，还可以对手机模拟各种操作，在本文不是重点，所以略过。

在下面我们将使用python脚本来驱动app，直接在pycharm运行即可

from appium import webdriverfrom time import sleep

class Action():    def __init__(self):        # 初始化配置，设置Desired Capabilities参数        self.desired_caps = {            "platformName": "Android",            "deviceName": "Mi_Note_3",            "appPackage": "com.ss.android.ugc.aweme",            "appActivity": ".main.MainActivity"        }        # 指定Appium Server        self.server = 'http://localhost:4723/wd/hub'        # 新建一个Session        self.driver = webdriver.Remote(self.server, self.desired_caps)        # 设置滑动初始坐标和滑动距离        self.start_x = 500        self.start_y = 1500        self.distance = 1300
    def comments(self):        sleep(2)        # app开启之后点击一次屏幕，确保页面的展示        self.driver.tap([(500, 1200)], 500)
    def scroll(self):        # 无限滑动        while True:            # 模拟滑动            self.driver.swipe(self.start_x, self.start_y, self.start_x,                               self.start_y-self.distance)            # 设置延时等待            sleep(2)
    def main(self):        self.comments()        self.scroll()

if __name__ == '__main__':
    action = Action()    action.main()

下面是爬虫的过程。ps:偶尔会爬取到重复的视频

以上，便是今天的分享，希望大家喜欢，觉得内容不错的。欢迎点击「在看」支持，谢谢各位。