dy小姐姐一向好看~今天我们就用python来通通抓下来吧
前言
大家早好、午好、晚好吖~
环境使用]:
-
Python 3.8
-
Pycharm
-
谷歌浏览器
-
谷歌驱动
模块使用]:
-
requests >>> pip install requests
-
re
-
json
-
selenium >>> pip install selenium==3.141.0 <需要浏览器和浏览器驱动>
工具、软件安装教程 点击 蓝色字体 自取 ，我都放在这里了。
如何安装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
基本思路流程: <通用>
一. 数据来源分析
-
确定需求 --> 采集那个网站上面什么数据内容
-
视频标题
-
视频播放链接 --> 才能下载视频
-
-
通过开发者工具进行抓包分析 --> 网页浏览器自带工具
-
F12 或者 右键点击检查
-
刷新网页 --> 让网页数据内容重新加载一遍
-
选择 media 可以直接找视频播放链接
-
通过开发者工具搜索, 可以直接找视频播放地址来源
-
二. 代码实现步骤过程:
-
获取数据, 获取服务器返回响应数据 —> response
-
解析数据, 提取我们想要的 视频标题以及播放地址
-
保存数据, 把视频内容保存本地文件夹
代码
# 导入<工具> 数据请求模块 --> <相当于手机第三方应用>第三方模块, 需要自己在cmd / pycharm终端 里面进行 pip install requests
import requests
# 导入正则 --> 内置模块 不需要安装 <相当于手机自带APP>
import re
# 导入json模块 --> 内置模块 不需要安装 <相当于手机自带APP>
import json
# 导入格式化输出模块 --> 内置模块 不需要安装 <相当于手机自带APP>
from pprint import pprint
# 导入模块
from selenium import webdriver
# 导入时间模块
import time
# 采集多个视频, 获取所有视频ID就可以了 --> selenium <模拟人的行为去操作浏览器: 目的为了获取视频ID>
# 1. 打开浏览器 webdriver.Chrome('需要添加驱动路径') 如果驱动和你代码文件在同一个目录, 或者驱动在python安装目录下面
driver = webdriver.Chrome()
def drop_down():
"""执行页面滚动的操作""" # javascript
for x in range(1, 30, 4): # 1 3 5 7 9 在你不断的下拉过程中, 页面高度也会变的
time.sleep(1)
j = x / 9 # 1/9 3/9 5/9 9/9
# document.documentElement.scrollTop 指定滚动条的位置
# document.documentElement.scrollHeight 获取浏览器页面的最大高度
js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % j
driver.execute_script(js)
drop_down()
# 3. 定位网页元素
lis = driver.find_elements_by_css_selector('.ECMy_Zdt')
if lis:
pass
else:
lis = driver.find_elements_by_css_selector('.Eie04v01')
# for循环遍历
for li in lis:
url = li.find_element_by_css_selector('a').get_attribute('href')
print(url)
1. 发送请求
-
等号左边都是自定义变量 --> 自己定义的昵称
-
请求成功 --> 相当于打电话打通了, 有嘟嘟嘟声音, 但是对面可能给你挂了 <通话显示 广告>
- 获取服务器返回响应数据
response.text 获取响应文本数据
- 请求成功了, 但是没有得到数据
你直接用代码去请求, 人家服务器一看, 你是爬虫, 我不给你数据
确定请求url url<自定义变量名> --> 链接
# 伪装成浏览器去发送请求
headers = {
# cookie 表示用户信息, 检测是否有登陆账号 <无论是否登陆账号都有cookie>
# user-agent 用户代理, 表示浏览基本身份表示
'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 = requests.get(url=url, headers=headers)
2. 获取数据
获取服务器返回响应数据 —> response
# print(response.text)
3. 解析数据
提取我们想要的 视频标题以及播放地址
re模块findall方法
re.findall(‘提取什么数据’, 什么地方取) --> 调用re模块里面findall方法 --> 找到所有我们想要数据内容
- 正则提取出来数据, 返回列表数据类型 [0] 列表索引位置取值, 取第一个元素
print(json_data) --> 打印字典数据, 呈现一行
pprint(json_data) --> 打印字典数据, 呈现多行 展开效果
# 提取标题
title = re.findall('(.*?) ', response.text)[0]
# 提取视频信息
html_data = re.findall('