前言
大家早好、午好、晚好吖~
目录标题
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
???? ???? ???? 源码、教程
资料点击 蓝色字体 自取 ，我都放在这里了。
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
???? ???? ???? 源码、教程 领取
资料点击 蓝色字体 自取 ，我都放在这里了。
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
-
在开发者工具里面进行复制粘贴
<UA, cookie host referer> -
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)
效果展示
文章看不懂，我专门录了对应的视频讲解，本文只是大致展示，完整代码和视频教程点击下方蓝字
点击 蓝色字体 自取，我都放在这里了。
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！！！
