Python爬虫教程:Python爬取视频之日本爱情电影

共 7339字,需浏览 15分钟

 ·

2021-05-21 18:45

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 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


浏览 88
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报