数据平台初试（技术篇）——抖音数据采集（初级版）

公众号原文链接：

数据平台初试（技术篇）——抖音数据采集（初级版）
​
这段时间一直在处理数据采集的问题，目前平台数据采集趋于稳定，可以抽出时间来整理一下近期的成果，顺便介绍一些近期用到的技术。本篇文章偏向技术，需要读者有一定的技术基础，主要介绍数据采集过程中用到的神器mitmproxy，以及平台的一些技术设计。以下是数据采集整体的设计，左边是客户机，在里面放置了不同的采集器，采集器发起请求之后，通过mitmproxy访问抖音，等数据回传之后，通过中间的解析器对数据进行解析，最后分门别类的存储到数据库中，为了提升性能，在中间加入了缓存，把采集器和解析器分隔开，两个模块之间工作互不影响，可以最大限度的把数据入库，下图为第一代架构设计，后续会有一篇文章介绍平台架构设计的三代演化史。

准备工作

开始进入数据采集的准备工作，第一步自然是环境搭建，本次我们在windows环境下，采用python3.6.6环境，抓包和代理工具是mitmproxy，也可以使用Fiddler抓包，采用夜神模拟器来模拟安卓运行环境（也可以用真机），这次主要通过手动滑动app来抓取数据，下次介绍采用Appium自动化工具，实现数据采集的全自动（解放双手）。
1、安装python3.6.6环境，安装过程可自行百度，需要注意的是，centos7自带的是python2.7，需要升级到python3.6.6环境，升级之前主要先安装ssl模块，否则升级好的版本无法访问https的请求。
2、安装mitmproxy，安装好python环境后，在命令行执行pip install mitmproxy安装mitmproxy，注：windows下只有mitmdump和mitmweb可以使用，安装好后在命令行输入mitmdump即可启动，默认启动的代理端口为8080。
3、安装夜神模拟器，可以在官网下载安装包，安装教程自行百度即可，基本都是下一步。安装好夜神模拟器之后，需要对夜神模拟器进行配置。首先需要设置模拟器的网络为手动代理，IP地址为windows的IP，端口为mitmproxy的代理端口。

4、接下来是证书的安装，打开模拟器中的浏览器，输入地址mitm.it，选择对应版本的证书，安装好后，就可以进行抓包了。

5、安装app，app安装包可以到官网下载，然后通过拖拽进模拟器就可以安装，或者在应用市场进行安装。
至此，本次数据采集环境就全部搭建完成。

数据接口分析 抓包

搭建好环境之后就开始对抖音app进行数据抓包，分析出每个功能所使用的接口，本次以采集视频数据接口为例介绍。
关闭之前打开的mitmdump，重新打开mitmweb工具，mitmweb是一个图形化的版本，就不用对着黑框框找了，如下图：

启动之后打开模拟器的抖音app，可以看到已经有数据包解析出来了，然后进入用户主页，开始下滑视频，在数据包列表中可以找到请求视频数据的接口https://aweme.snssdk.com/aweme/v1/aweme/post/

可以在右边看到接口的请求数据和响应数据，我们将响应数据复制出来，进入下一步解析。

数据解析

通过mitmproxy和python代码的结合，我们就可以在代码中获取到mitmproxy中的数据包，进而可以按照需求来处理。新建一个test.py文件，里面放两个方法：

def request(flow):
    pass

def response(flow):
    pass

见名知意，这两个方法，一个是在请求的时候执行的，一个是在响应的时候执行，而数据包则存在于flow当中。通过flow.request.url可以获取到请求url，flow.request.headers可以获取到请求头信息，flow.response.text中的就是响应的数据了。

def response(flow):
    if str(flow.request.url).startswith("https://aweme.snssdk.com/aweme/v1/aweme/post/"):
        index_response_dict = json.loads(flow.response.text)
        aweme_list = index_response_dict.get('aweme_list')
        if aweme_list:
            for aweme in aweme_list:
                print(aweme)

这个aweme就是一个完整的视频数据了，可以根据需要提取里面的信息，这里提取部分信息做介绍。

 "statistics":{
    "aweme_id":"6765058962225204493",
    "comment_count":24,
    "digg_count":1465,
    "download_count":1,
    "play_count":0,
    "share_count":3,
    "forward_count":0,
    "lose_count":0,
    "lose_comment_count":0
}

statistics信息就是这个视频的点赞，评论，下载，转发的数据。
share_url为视频的分享地址，通过这个地址，可以在PC端观看抖音分享的视频，也可以通过这个链接解析到无水印视频。
play_addr为视频的播放信息，其中的url_list即为无水印地址，不过目前官方做了处理，这个地址无法直接播放，也有时间限制，超时之后链接就失效了。
有了这个aweme，就可以把里面的信息解析出来，保存到自己的数据库，或者下载无水印视频，保存到自己电脑了。
写好代码之后，保存test.py文件，cmd进入命令行，进入到保存test.py文件目录下，在命令行输入mitmdump -s test.py，mitmdump就启动了，此时打开app，开始滑动模拟器，进入用户主页：

开始不断下滑，test.py文件就可以把抓取到的视频数据全部解析出来了，以下是我截取的部分数据信息：
视频信息：

视频统计数据：

视频评论数据：

无水印视频下载：

本次介绍就到这里结束了，主要是运用mitmdump配合python代码来解析数据，下次讲讲怎么运用appium，怎么实现自动化滑动模拟器，实现这个程序的全自动抓取视频数据，以及把采集下来的数据进行处理之后，得到的一些成果展示。

喜欢的朋友欢迎点赞收藏订阅，能点个关注就更好啦，我将不定时更新一些文章。公众号和其他平台不经常登录，如有需要，可以给我留言或者添加我的公众号同名微信“SPWanderer”,备注“交流”即可。

往期回顾:

数据可视化大屏的价值——从超市实时营业额作战平台说起
实时大屏如何支撑海量数据处理——超市实时监控大屏V2.x