Python 抖音视频和评论爬虫

引言

平时工作闲的时候，会刷刷抖音。于是想爬取一下抖音的视频。网上搜索资料，发现多数都是爬取固定用户的主页视频。我想要的效果是爬取首页的随机视频和评论，于是自己抓包分析，实现效果。在做项目的过程中遇到了一些问题，在此记录下来。

项目地址

抖音爬虫
如果有帮助的话，记得给个star哦

20190324 更新

因原AppSign加签服务不可用，所以换了个加签服务项目Sign-DouYin，目前该项目还可用。根据该项目，代码已更新。改动之处如下：

1. 提供的设备参数以及获取加密参数方法修改

   原方法是采用AppSign提供的token值，拼接上参数，请求加密参数，现在Sign-DouYin是要求提供url，所以将拼接好的url post给它，但是测试下来发现我原来的参数拼接成url给它，返回给我的是带有加密参数的url，但我请求这个url拿不到视频数据，而且加密参数从原来的三个ts、as、mas变成四个ts、cp、as、mas。猜测可能是抖音加密算法升级了，导致提供原来的参数不行了，所以我仿照Sign-DouYin项目demo里提供的参数提供给它，获取到带有加密参数的url是可以获取视频数据的。所以修改为get_feed_params()和get_sign_url()，具体改动见Github代码

2. 视频数据和评论数据分离

   原来是采用从首页feed流接口中拿到视频数据后解析出awesome_id，直接给评论接口，从而获取该视频的评论数据。但这是建立在从首页接口获取的加密参数可以直接复用，拼接在评论接口末尾的条件下，原AppSign是可以这样做的，但Sign-DouYin测试下来，根据 https://aweme.snssdk.com/aweme/v1/feed/ 获取的加密参数ts、cp、as、mas不能用于 https://aweme.snssdk.com/aweme/v2/comment/list/ ， 所以要请求评论数据的话，还要每一次都要请求加密参数，这样的话对 Sign-DouYin 项目的服务器压力很大，这样对开源作者不友好，而且作者也提供了视频评论的api，所以就将视频和评论分开，先将视频数据存到数据库，再从数据库里拿到awesome_id请求api返回评论数据。但同样请求api也会对服务器有压力，所以请谨慎使用。首页feed流数据可以多次请求的原因是对Sign-DouYin来说，只请求了一次获取加密参数，后面多次请求的是抖音的首页接口。

3. 其他一些小改动具体见代码

注意事项：开源不易，且用且珍惜

思路

1. 爬取首页随机视频的作者、ID、名称、点赞数、评论数、分享数、背景音乐作者、名称和无水印视频下载地址
2. 爬取对应视频的前十条评论的作者、内容、点赞数、评论时间。如果有回复别人的情况，还要爬取被回复的用户名、内容、点赞数和评论时间
3. 下载无水印视频（已经实现，但考虑到存储空间不足，已注释，暂不使用）

问题

1.Fiddler抓包，手机上设置代理后，无法上网

按照网上教程,用Fiddler抓取iphone手机包，发现不设置代理，可以正常上网，设置了代理之后，就上不了网了。https的请求都会失败,提示错误信息为Failure SSLHandshake: Received fatal alert: unknown_ca 和You may need to configure your browser or application to trust the Charles Root Certificate. 但是相关设置都正确:电脑上安装了Fiddler 的根证书,并且设置了始终信任,然后手机上也安装了描述文件,一切都按正常程序走的, 但是错误始终无法解决。

原因：

虽然Fiddler的根证书已经在安装列表中显示,但它是被关闭的。在iOS 10.3之前,当你将安装一个自定义证书,iOS会默认信任,不需要进一步的设置。而iOS 10.3之后,安装新的自定义证书默认是不受信任的。如果要信任已安装的自定义证书,需要手动打开开关以信任证书。

解决：

设置->通用->关于本机->证书信任设置-> 找到DO_NOT_TRUST_FiddlerRoot然后信任该证书即可。

2.接口url参数加密

抓包分析，找到了首页视频流接口url：https://aweme-eagle.snssdk.com/aweme/v1/feed/
url参数如下（样例）：

Name	Value	Description
iid	51050168070	设备信息
idfa	887748FC-0DA1-4984-B87F-F2FC9AC5D14B	设备信息
device_type	iPhone5,2	设备信息
os_version	10.3.3	设备信息
screen_width	640	设备信息
vid	AECABC99-0F66-4086-86BC-EC4E01B4DEA1	设备信息
device_id	59415024289	设备信息
os_api	18	设备信息
device_platform	iphone	设备信息
openudid	75a4bc255848cd7901e166e5c168b23e3e9394a8	设备信息
version_code	3.1.0	app信息
aid	1128	app信息
app_name	aweme	app信息
build_number	31006	app信息
app_version	3.1.0	app信息
channel	App Store	app信息
pass-region	1	常量
js_sdk_version	1.3.0.1	常量
ac	mobile	常量
count	6	视频数
feed_style	0	常量
filter_warn	0	常量
max_cursor	0	常量
min_cursor	0	常量
pull_type	0	常量
type	0	常量
volume	0.06	常量
mas	0161b6c4a20babcf6829e30950a9f3a577adb04abc0c6da0eeca91	加密参数
as	a105e18ff4e32b1a102320	加密参数
ts	1542462004	加密参数

其中mas、as、ts为加密参数，其余的设备和app一旦确定下来，就都是常量了。三个加密参数需要一步一步分析JS文件才能得出这三个加密参数如何生成的。

解决：

有万能的GitHub，在此感谢AppSign提供加密签名服务，参照该文档，很快可以得到三个加密参数，和其他参数一起给接口就可以拿到返回的视频流数据了。
同样，评论接口加密参数也是一样的，相同的办法就可以拿到评论数据了。
评论url：https://aweme.snssdk.com/aweme/v2/comment/list/
url参数如下（样例）：

Name	Value	Description
iid	51050168070	设备信息
idfa	887748FC-0DA1-4984-B87F-F2FC9AC5D14B	设备信息
device_type	iPhone5,2	设备信息
os_version	10.3.3	设备信息
screen_width	640	设备信息
vid	AECABC99-0F66-4086-86BC-EC4E01B4DEA1	设备信息
device_id	59415024289	设备信息
os_api	18	设备信息
device_platform	iphone	设备信息
openudid	75a4bc255848cd7901e166e5c168b23e3e9394a8	设备信息
version_code	3.1.0	app信息
aid	1128	app信息
app_name	aweme	app信息
build_number	31006	app信息
app_version	3.1.0	app信息
channel	App Store	app信息
pass-region	1	常量
js_sdk_version	1.3.0.1	常量
ac	mobile	常量
aweme_id	6624665048084122888	视频ID
count	10	评论数
cursor	0	常量
insert_ids	0	常量
mas	0161b6c4a20babcf6829e30950a9f3a577adb04abc0c6da0eeca91	加密参数
as	a105e18ff4e32b1a102320	加密参数
ts	1542462004	加密参数

3.数据库关闭问题

原本打算程序放到服务器上一直跑的，想了一下由于没有使用代理池，长时间跑可能会被封IP，而且一直跑对AppSign提供加签的服务器也有一定的压力，最后决定每天爬取1万条视频数据。那么这就涉及到数据库关闭的问题。
因为我采用的是爬取和存储是分开的线程，而且考虑到减少加签服务器的压力，爬取线程速度较慢，存储线程
速度快，并且设置两个线程的daemon=True(会随着主线程的结束而结束)。这时候就不能通过queue.join()来控制主线程是否阻塞。因为queue的get速度比put速度要快，这样主程序运行一段时间就会因为queue中待处理的数据为0，从而使queue.join()放通，导致主程序结束，子线程也会随之结束，爬取视频达不到1万条。

解决：

在爬取线程的1万条数据完成之后手动给queue发送一个结束标志，存储线程收到结束标志后不做处理，将其发送给主线程，主线程里循环检查queue中数据是否为结束标志，如果是，则关闭数据库连接，跳出循环，结束主程序，子线程也同时结束，程序终止。代码如下：

def put_into_queue(params, queue):  # 获取接口返回的视频和评论数据，放进队列
    i = 0
    while i < 10000:  # 每天抓取10000个左右视频，因为get_video_info()一次返回6个视频数据，最后爬取的视频数不是1万整
        video_params = get_video_params(params)
        for video_data in get_video_info(video_params):
            if video_data['result'] == 'success':
                i += 1
                print('today video num:', i)
                video_data['type'] = 'video'
                queue.put_nowait(video_data)
                comment_params = get_comment_params(params, video_data['video_id'])
                for comment_data in get_comment_info(comment_params):
                    if comment_data['result'] == 'success':
                        comment_data['type'] = 'comment'
                        queue.put_nowait(comment_data)
                    elif comment_data['result'] == 'error':
                        continue
                        # queue.put_nowait(comment_data)
                        # break
            elif video_data['result'] == 'error':
                continue
                # queue.put_nowait(video_data)
                # break
        time.sleep(10)  # 加密签名为github开源服务，作者要求禁止高并发请求访问公用服务器，所以降低请求频率
    data = {}
    data = {'result': 'success', 'type': 'finished'}  # 抓取完成标志
    queue.put_nowait(data)


def get_from_queue(queue, db):  # 获取队列里的视频和评论数据，保存到数据库和下载视频
    while True:
        try:
            data = queue.get_nowait()
            if data['result'] == 'success':
                if data['type'] == 'video':
                    # download(data['filename'], data['download_url']) # 1w个视频大约需要20G，因存储空间不足，暂不下载
                    db.save_one_data_to_video(data)
                elif data['type'] == 'comment':
                    db.save_one_data_to_comment(data)
                elif data['type'] == 'finished':  # 抓取完成后子线程退出循环
                    queue.put_nowait(data)  # 告诉主线程抓取完成
                    break
            # elif data['result'] == 'error':
            #     queue.put_nowait(data)
            #     break
        except:
            print("queue is empty wait for a while")
            time.sleep(2)
if __name__ == '__main__':
	......
	......
	......
	queue = Queue()
    Thread(target=put_into_queue, args=(params, queue), daemon=True).start()
    Thread(target=get_from_queue, args=(queue, db), daemon=True).start()

    while True:  # 该循环是用来判断何时关闭数据库
        try:
            data = queue.get_nowait()
            # if data['result'] == 'error':
            #     db.close()
            #     break
            if data['type'] == 'finished':
                db.close()
                break
        except:
            print('spidering...')
            time.sleep(10)

总结

本项目大部分的时间花费在解决问题1和2上。最开始抓不到包，怎么都解决不了，查了好长时间才发现是这个问题。三个加密参数也卡了很长时间，最后发现github上有提供加签服务的。以后遇到些复杂的问题，先去github上看看有没有现成的东西。

P.S.

项目里还实现了一个附加功能：从抖音的分享链接中下载无水印视频。这个功能的实现，下篇文章会讲到。