Python网络爬虫——爬取视频网站源视频

学习前提

1、了解python基础语法
2、了解re、selenium、BeautifulSoup、os、requests等python第三方库

1.引入库

爬取网站视频需要引入的第三方库：

import os 
from selenium import webdriver 
import requests 
from bs4 import BeautifulSoup 
import re 

模块用处：

1、os模块：文件目录操作模块，用于创建或者删除目录或文件。
2、selenium模块：python请求模块之一，用于某些特殊请求。
3、requests模块：用于请求网页地址。
4、BeautifulSoup模块：用于解析网页，获取页面元素或内容。
5、re模块：正则表达式，本程序中用于匹配视频链接。

---

2.请求网页地址

请求页面：

"""请求页面"""
header = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36"
} #请求
url = "http://www.kakadm.com/anime/2417/" #网页地址，这里以卡卡动漫中的无限斯特拉托斯为例
r = requests.get(url, headers=header)
html = r.text #以二进制打印页面

由上述代码获取如下页面：

请求头(反爬机制中的一种)：

headers中包含网页请求中的请求头，每一个浏览器都有属于自己的请求头，因此需要更改，以免请求失败

---

3.解析网页，获取播放链接

解析上述页面：

"""解析页面"""
soup = BeautifulSoup(html, "html.parser")
urls = soup.find("div", class_="movurl").find_all("a") #查找视频播放链接

videourls = []
for u in urls:
    videourls.append(u.get("href")) #由分析网页元素可知，仅获取链接部分内容

# 获取视频播放地址
str = "http://www.kakadm.com/"
for index, item in enumerate(videourls):
    videourls[index] = str + item #加上前缀，获取13个视频播放链接

由上述代码获取如下页面：

---

4.解析网页，获取视频源链接，即获取后缀名含.mp4的链接

由上述代码获取视频播放页面后，获取源视频链接：

# 请求获取视频源mp4
videos = []
title = []
chrome_options = webdriver.ChromeOptions()
# 使用headless无界面浏览器模式，即不需要打开浏览器
chrome_options.add_argument('--headless')  # 增加无界面选项
chrome_options.add_argument('--disable-gpu')  # 如果不加这个选项，有时定位会出现问题
flag = 0
name = ''
for u in videourls:
    # 启动浏览器，获取网页源代码
    b = webdriver.Chrome(options=chrome_options)  # 建立Chrome的驱动
    b.implicitly_wait(10)  # 隐式等待，动态查找元素
    b.get(u)  # 在Chrome上打开网址

    # 获取视频名字，如：无限斯特拉托斯
    if flag == 0:
        soup = BeautifulSoup(html, "html.parser")
        name = soup.find("title").string.split('-')[0]  # 获取标签内的内容
        flag = 1

    # 进入iframe内嵌网页
    b.switch_to.frame("playbox")  # 针对iframe标签，(id)
    html = b.page_source  # 打印页面

    soup = BeautifulSoup(html, "html.parser")
    t = soup.find("title").string.split(' ')[0]  # 视频命名
    v = re.findall(r'(http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+\.mp4)',
                   html)  # 获取mp4网址
    t = name + " " + t
    title.append(t)
    videos.append(v)
    print(v)
    b.quit()  # 退出

由上述代码获取如下视频源链接：

注意：
在本例子中，卡卡动漫里的视频源链接放在ifame标签中，这是基本反爬机制之一。ifame标签会隐藏其内的内容，用requests模块不能直接访问，需要在浏览器中访问，即需要selenium模块，通过针对iframe标签的方法b.switch_to.frame(id)
打开浏览器来访问iframe标签，并获取隐藏其中的视频源链接。

5.下载视频，并储存到指定文件夹

由上述代码获取视频源链接后，下载到指定文件目录：

"""下载mp4视频"""
i = 0  # 显示当前下载第几个视频
j = 0  # 遍历视频标题列表
# 创建视频文件目录
path = 'D:\Softdownload\Python\\videos\{}\\'.format(name)
if os.path.exists(path) == False:  # 如果文件不存在
    os.mkdir(path)
for index, item in enumerate(videos):
    i += 1
    print("正在下载第{}个视频".format(i))
    file_name = title[j] + '.mp4'  # 命名成mp4格式
    j += 1
    r = requests.get(videos[index][0], headers=header)  # 请求里面的网址
    with open(path + file_name, 'wb') as f:  # 在指定文件夹下载视频，没有就创建
        f.write(r.content)

由上述代码会建立如下文件目录：

我才是这篇文章的原作者，我已经在CSDN上发现几篇抄袭我的文章的人了，这些人也太恶心了，就不能标明转载吗？还写着原创，身为原作者的我真是服了！！！