Python采集某网站小视频内容, m3u8内容下载

前言

大家早好、午好、晚好吖~

环境使用:

Python 3.8
Pycharm

模块使用:

import requests >>> pip install requests

内置模块你安装好python环境就可以了

import re
import json

模块安装问题:

如果安装python第三方模块:

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令

安装失败原因:

失败一: pip 不是内部命令

解决方法: 设置环境变量
失败二: 出现大量报红 (read time out)

解决方法: 因为是网络链接超时, 需要切换镜像源

清华：https://pypi.tuna.tsinghua.edu.cn/simple
阿里云：https://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
华中理工大学：https://pypi.hustunique.com/
山东理工大学：https://pypi.sdutlinux.org/
豆瓣：https://pypi.douban.com/simple/

例如：pip3 install -i https://pypi.doubanio.com/simple/ 模块名
失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入

解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好
或者你pycharm里面python解释器没有设置好

如何配置pycharm里面的python解释器?

选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
点击齿轮, 选择add
添加python安装路径

pycharm如何安装插件?

选择file(文件) >>> setting(设置) >>> Plugins(插件)
点击 Marketplace 输入想要安装的插件名字比如:翻译插件输入 translation / 汉化插件输入 Chinese
选择相应的插件点击 install(安装) 即可
安装成功之后是会弹出重启pycharm的选项点击确定, 重启即可生效

如何实现虫案例: <思路流程 --> 通用>

一. 数据来源分析

分析清楚我们想要数据内容, 是在什么地方, 什么样子的

使用开发者工具进行抓包分析: 视频数据以及视频标题

I. F12 或者右键点击检查选择network 刷新网页

这么多数据包, 我想要视频数据在什么地方?

M3U8 视频格式: 把整个完整的视频内容, 分为N个视频片段, 每个片段都是几秒钟 <看多少就加载多少>

所有视频片段 <ts文件> 都包含在 m3u8 的文件链接里面

II. 在开发者工具里面直接搜索m3u8 可以直接找相对应链接地址

继续分析这个 m3u8 url地址是从哪里过来在什么地方有

III. 我们想要视频数据 <m3u8链接> 在网页源代码里面有

获取整个视频内容 ---> 分为N个视频片段<ts文件> ---> 在m3u8链接里面 ---> 视频播放详情页网页源代码里面

二. 代码实现步骤:

发送请求, 模拟浏览器对于视频播放详情页url发送请求
获取数据, 获取服务器返回响应数据
开发者工具里 response
解析数据, 提取我们想要的数据内容
- m3u8链接
- 视频标题
发送请求, 模拟浏览器对于 m3u8链接发送请求
由第三步提取出来链接发送请求
获取数据, 获取服务器返回响应数据
开发者工具里 response <对应所有ts文件链接>
解析数据, 提取我们想要的数据内容
所有ts文件链接
保存数据, 把所有视频片段内容保存下来, 并且合成为一个完整视频内容
多页数据采集

代码展示

导入模块

# 导入数据请求模块 ---> 要安装 在cmd里面 pip install requests
import requests
# 导入正则模块  ---> 内置模块 不需要安装
import re
# 导入json模块  ---> 内置模块 不需要安装
import json
# 导入格式化输出模块  ---> 内置模块 不需要安装
from pprint import pprint

1. 发送请求, 模拟浏览器对于视频播放详情页url 发送请求

伪装代码 --> headers 请求头
1. 在开发者工具里面进行复制粘贴 <UA, cookie host referer>
2. 请求头字典数据类型, 构建完整键值对
<Response [200]> 响应对象

200 状态码表示请求成功

如果想要多个视频内容, 就要把视频ID获取下来 <动态数据加载>

分段写请求链接:

问号左边的内容属于链接
问号右边的内容属于请求参数/查询参数

批量替换内容:

选中替换的内容, 按 ctrl + R 点选正则<.*>
正则命令匹配数据替换

(.*?): (.*)
'$1': '$2',

请求链接

请求参数

data = {
    'quickViewId': 'ac-space-video-list',
    'reqID': '13',
    'ajaxpipe': '1',
    'type': 'video',
    'order': 'newest',
    'page': '2',
    'pageSize': '20',
    't': '1666360290070',
}

模拟伪装

headers = {
    # User-Agent 用户代理 表示浏览器基本身份信息
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}

发送请求

response_1 = requests.get(url=link, params=data, headers=headers)

解析数据

video_id_list = re.findall('atomid.*?":.*?"(\d+).*?",', response_1.text)
# for循环遍历
for video_id in video_id_list:

    # 发送请求
    response = requests.get(url=url, headers=headers)

2. 获取数据, 获取服务器返回响应数据

开发者工具里 response

response.text 获取响应文本数据 <网页源代码>

3. 解析数据, 提取我们想要的数据内容

m3u8链接
视频标题

调用re模块里面findall方法, 去找到所有我们想要的数据内容

re.findall('什么数据', '什么地方')

从什么地方去找你想要的什么数据

从 response.text 这里面去找 "title":"(.*?)", 其中 (.*?) 是我们要的数据

[1] 列表索引位置取值

表示提取列表里面第二个元素

提取标题

    title = re.findall('"title":"(.*?)",', response.text)[1]

提取视频信息

--> 字符串数据类型

    html_data = re.findall('window.pageInfo = window.videoInfo = (.*?);', response.text)[0]

转数据类型: 方便取值

---> 字典数据类型键值对取值: 根据冒号左边的内容[键], 提取冒号右边的内容[值]

    json_data = json.loads(html_data)

提取 m3u8链接

    m3u8_url = json.loads(json_data['currentVideoInfo']['ksPlayJson'])['adaptationSet'][0]['representation'][0]['backupUrl'][0]

4. 发送请求, 模拟浏览器对于 m3u8链接发送请求

由第三步提取出来链接发送请求

5. 获取数据, 获取服务器返回响应数据

开发者工具里 response <对应所有ts文件链接

xpath 标签节点提取数据内容

re 是可以直接对于字符串数据进行解析提取

css 根据标签属性提取数据内容

requests parsel re csv selenium

    # 发送请求 + 获取数据
    m3u8_data = requests.get(url=m3u8_url, headers=headers).text
    # 提取我们想要ts链接  跟上 6  有不明白 5  split() 分割字符串分割 --> 列表
    m3u8_data = re.sub('#E.*', '', m3u8_data).split()
    print(title)
    # for循环遍历 提取我们想要ts文件链接, 把列表里面元素 一个一个提取出来
    for ts in m3u8_data:

字符串拼接构建完整链接地址

7. 保存数据

--> 需要发送请求 + 获取数据

        ts_content = requests.get(url=ts_url, headers=headers).content
        with open('video\\' + title + '.mp4', mode='ab') as f:
            # 写入数据
            f.write(ts_content)
        print(ts_url)

宁外给大家推荐一个好的教程：
【48小时搞定全套教程！你和大佬只有一步之遥【python教程】

尾语 💝

好了，我的这篇文章写到这里就结束啦！

有更多建议或问题可以评论区或私信我哦！一起加油努力叭(ง •_•)ง

喜欢就关注一下博主，或点赞收藏评论一下我的文章叭！！！