Python爬虫教程:Python爬取视频之日本爱情电影
肉身翻墙后,感受一下外面的肮脏世界。墙内的朋友叫苦不迭,由于某些原因,VPN能用的越来越少。上周我的好朋友狗子和我哭诉说自己常用的一个VPN终于也寿终正寝了,要和众多的日本小姐姐说再见了。作为“外面人”,我还是要帮他一把……
初探
狗子给我的网站还算良心,只跳了五个弹窗就消停了。
然后看到的就是各种穿不起衣服的女生的卖惨视频,我赶紧闭上眼睛,默念了几句我佛慈悲。
Tokyo真的有那么hot?
给狗子发了一张大的截图,狗子用涂鸦给我圈出了其中一个。
我和狗子说“等着吧”
(放心网站截图我是打了码也不敢放的。。。)
点进去之后,可以在线播放。
右下角有一个 Download 按钮,点击之后需要注册付费。
当时我就火了,这种卖惨视频毒害我兄弟精神,还敢收钱?!
自己动手,丰衣足食!
环境 & 依赖
Win10 64bit
IDE: PyCharm
Python 3.6
python-site-packegs: requests + BeautifulSoup + lxml + re + m3u8
在已经安装pip的环境下均可直接命令行安装
网站解析
将链接复制到Chrome浏览器打开
(我平时用猎豹,也是Chrome内核,界面比较舒服,但是这个时候必须大喊一声谷歌大法好)
菜单——更多工具——开发者选项(或者快捷键F12)进入Chrome内置的开发者模式
大概界面是这样
(唉打码真的累。。。。)
然后,根据提示,逐层深入标签找到视频的具体位置
这个网站存放的位置是 …->flash->video_container->video-player
显然视频就放在这个这个video-player中
在这个标签中,有一个名字为 source 的链接,src=”http://#%@就不告诉你#@¥”
Easy好吧!
这点小把戏还难得到我?我已经准备和狗子要红包了
复制该链接到地址栏粘贴并转到,然后,神奇的一幕出现了!!
What???
这是什么???
为啥这么小???
科普概念如上,那也就是说,m3u8记录了真实的视频所在的地址。
Network Traffic
想要从源码直接获得真实下载地址怕是行不通了。
这时候再和我一起读“谷歌大法好!”
很简单,浏览器在服务器中Get到视频呈现到我们面前,那这个过程必定经过了解析这一步。
那我们也可以利用浏览器这个功能来进行解析
依旧在开发者模式,最上面一行的导航栏,刚刚我们在Elements选项卡,现在切换到Network
我们监听视频播放的时候的封包应该就可以得到真实的视频地址了,试试看!
我们惊喜的发现,一个又一个的 .ts 文件正在载入了
(如果在图片里发现任何url请友情提醒我谢谢不然怕是水表难保)
知识点!这都是知识点!(敲黑板!)
点开其中的一个.ts文件看一下
这里可以看到请求头,虽然url被我走心的码掉了,但这就是真实的视频地址了
复制这个URL到地址栏,下载
9s。。。。。
每一个小视频只有9s,难道要一个又一个的去复制吗?
视频片段爬取
答案是当然不用。
这里我们要请出网络数据采集界的装逼王:Python爬虫!!!
首先进行初始化,包括路径设置,请求头的伪装等。
采集部分主要是将requests的get方法放到了for循环当中
这样做可行的原因在于,在Network监听的图中我们可以看到.ts文件的命名是具有规律的 seg-i-v1-a1,将i作为循环数
那么问题又来了,我怎么知道循环什么时候结束呢?也就是说我怎么知道i的大小呢?
等等,我好像记得在视频播放的框框右下角有时间来着?
在开发者模式中再次回到Element选项卡,定位到视频框右下角的时间,标签为duration,这里的时间格式是 时:分:秒格式的,我们可以计算得到总时长的秒数
但是呢,这样需要我们先获取这个时间,然后再进行字符串的拆解,再进行数学运算,太复杂了吧,狗子已经在微信催我了
Ctrl+F全局搜索duration
Yes!!!
好了,可以点击运行然后去喝杯咖啡,哦不,我喜欢喝茶。
一杯茶的功夫,回来之后已经下载完成。我打开文件夹check一下,发现从编号312之后的clip都是只有573字节,打开播放的话,显示的是数据损坏。
没关系,从312开始继续下载吧。然而下载得到的结果还是一样的573字节,而且下了两百多个之后出现了拒绝访问错误。
动态代理
显然我的IP被封了。之前的多个小项目,或是因为网站防护不够严格,或是因为数据条目数量较少,一直没有遇到过这种情况,这次的数据量增加,面对这种情况采取两种措施,一种是休眠策略,另一种是动态代理。现在我的IP已经被封了,所以休眠也为时已晚,必须采用动态IP了。
主要代码如下所示
合并文件
然后,我们得到了几百个9s的.ts小视频
然后,在cmd命令行下,我们进入到这些小视频所在的路径
执行
copy/b %s\*.ts %s\new.ts
很快,我们就得到了合成好的视频文件
当然这个前提是这几百个.ts文件是按顺序排列好的。
成果如下
优化—调用DOS命令 + 解析m3u8
为了尽可能的减少人的操作,让程序做更多的事
我们要把尽量多的操作写在code中
引用os模块进行文件夹切换,在程序中直接执行合并命令
并且,在判断合并完成后,使用清除几百个ts文件
这样,我们运行程序后,就真的可以去喝一杯茶,回来之后看到的就是没有任何多余的一个完整的最终视频
也就是说,要获得一个完整的视频,我们现在需要输入视频网页链接,还需要使用chrome的network解析得到真实下载地址。第二个部分显然不够友好,还有提升空间。
所以第一个尝试是,可不可以有一个工具或者一个包能嗅探到指定网页的network traffic,因为我们刚刚已经看到真实地址其实就在requestHeader中,关键在于怎样让程序自动获取。
查阅资料后,尝试了Selenium + PhantomJS的组合模拟浏览器访问,用一个叫做browsermobProxy的工具嗅探保存HAR(HTTP archive)。在这个上面花费了不少时间,但是关于browsermobProxy的资料实在是太少了,即使是在google上,搜到的也都是基于java的一些资料,面向的python的API也是很久没有更新维护了。此路不通。
在放弃之前,我又看一篇网站的源码,再次把目光投向了m3u8,上面讲到这个文件应该是包含文件真实地址的索引,索引能不能把在这上面做些文章呢?
Python不愧是万金油语言,packages多到令人发指,m3u8处理也是早就有熟肉。
pip install m3u8
这是一个比较小众的包,没有什么手册,只能自己读源码。
这个class中已经封装好了不少可以直接供使用的数据类型,回头抽时间可以写一写这个包的手册。
现在,我们可以从requests获取的源码中,首先找到m3u8的下载地址,首先下载到本地,然后用m3u8包进行解析,获取真实下载地址。
并且,解析可以得到所有地址,意味着可以省略上面的获取duration计算碎片数目的步骤。
最终
最终,我们现在终于可以,把视频网页链接丢进url中,点击运行,然后就可以去喝茶了。
再来总结一下实现这个的几个关键点:
- 网页解析
- m3u8解析
- 动态代理设置
- DOS命令行的调用
动手是最好的老师,尤其这种网站,兼具趣味性和挑战性,就是身体一天不如一天。。。
完整代码
# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import os
import lxml
import time
import random
import re
import 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("正在获取代理列表...")
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("正在设置随机代理...")
proxy_list = []
for ip in ip_list:
proxy_list.append('http://' + ip)
proxy_ip = random.choice(proxy_list)
proxies = {'http': proxy_ip}
print("代理设置成功.")
return proxies
def get_uri_from_m3u8(self,realAdr):
print("正在解析真实下载地址...")
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("更换代理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('正在下载clip%d' % i)
i = i+1
print("下载完成!总共耗时 %d s" % (time.time()-start_time))
print("接下来进行合并……")
os.system('copy/b %s\\*.ts %s\\%s.ts' % (self.down_path,self.final_path, self.name))
print("合并完成,请您欣赏!")
y = input("请检查文件完整性,并确认是否要删除碎片源文件?(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("碎片文件已经删除完成")
else:
print("不删除,程序结束。")
if __name__=='__main__':
crawler = ViedeoCrawler()
crawler.run()
搜索下方加老师微信
老师微信号:XTUOL1988【切记备注:学习Python】
领取Python web开发,Python爬虫,Python数据分析,人工智能等精品学习课程。带你从零基础系统性的学好Python!
源自:https://blog.csdn.net/JosephPai/article/
声明:文章著作权归作者所有,如有侵权,请联系小编删除