Python爬虫进阶之爬取某视频并下载

这几天在家闲得无聊，意外的挖掘到了一个资源网站（你懂得），但是网速慢广告多下载不了种种原因让我突然萌生了爬虫的想法。

下面说说流程：

一、网站分析

首先进入网站，F12检查，本来以为这种低端网站很好爬取，是我太低估了web主。可以看到我刷新网页之后，出现了很多js文件，并且响应获取的代码与源代码不一样，这就不难猜到这个网站是动态加载页面。

目前我知道的动态网页爬取的方法只有这两种：1、从网页响应中找到JS脚本返回的JSON数据；2、使用Selenium对网页进行模拟访问。源代码问题好解决，重要的是我获取的源代码中有没有我需要的东西。我再一次进入网站进行F12检查源代码，点击左上角然后在页面点击一个视频获取一个元素的代码，结果里面没有嵌入的原视频链接（看来我真的是把别人想的太笨了）。

没办法只有进行抓包，去找js请求的接口。再一次F12打开网页调试工具，点击单独的一个视频进行播放，然后在Network中筛选一下，只看HXR响应（HXR全称是XMLHTTPRequest,HMLHTTP是AJAX网页开发技术的重要组成部分。除XML之外，XMLHTTP还能用于获取其它格式的数据，如JSON或者甚至纯文本。）。

然后我一项一项的去检查返回的响应信息，发现当我点击播放的时候有后缀为.m3u8的链接，随后就不断刷新.ts文件的链接。

本来以为这就是原视频的地址，我傻傻的直接从这个m3u8文件的headers中的URL直接进入网站看看，结果傻眼了，获取的是一串串.ts的文件名。

没办法只能百度君了。 科普了一下，也就说我们必须把ts文件都下载下来进行合并之后才能转成视频。

好了，视频原地址弄清楚了，现在我们开始从一个视频扩展到首页的整个页面的视频。再一次进行抓包分析，发现一个API中包含了首页的分类列表，然而里面并没有进入分类的URL地址，只有一个tagid值和图片的地址。

于是我又在主页点一个分类，再次进行抓包，发现了一个API中包含了一个分类的单页所有视频的信息，通过他们的headers中的URL对比发现，关于视频的前一部分都是https:xxxxxxx&c=video,然后m=categories，通过字面意思我们都可以知道是分类，而每个tagid值对应不同的分类。并且还发现每个URL中都追加了时间戳timestamp（这是web主为了确保请求不会在它第一次被发送后即缓存，看来还是有小心机啊）。当m=lists，则是每个分类下的视频列表，这里面我们就可以找到每个视频对应的ID了。


通过id我们可以获取到视频的详细信息，并且还有m3u8文件URL地址的后面一部分。好了，网站我们解析清楚了，现在开始堆码了。

二、写代码

导入相关模块

import requests
from datetime import datetime
import re
#import json 
import time
import os

#视频分类和视频列表URL的前一段
url = "http://xxxxxxx/api/?d=pc&c=video&"
#m3u8文件和ts文件的URL前一段
m3u8_url ='https://xxxxxxxxxxxxx/videos/cherry-prod/2020/03/01/2dda82de-5b31-11ea-b5ae-1c1b0da2bc3f/hls/480/'
#构造请求头信息
header = {"user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2"}
#创建空列表存放视频信息
vediomassag=''
#返回当前时间戳
TimeStamp = int(datetime.timestamp(datetime.now()))

2.定义函数，获取网站首页分类列表信息

#自定义函数获取分类
def get_vediocategory(url, TimeStamp):
    cgURL = url + "m=categories×tamp=" + str(TimeStamp) + '&'
    response = requests.get(cgURL, headers=header)
    category = response.text
#    strrr='"%s"'%category
#    return strrr
    return category

3.定义函数，通过上一个函数返回的分类信息，根据分类对应的id，输入id并传输到当前URL中以便获取分类下的视频列表信息

#获取分类后的视频列表
def get_vedioList(url, TimeStamp, tagID):
    listURL = url + "m=lists×tamp=" + str(TimeStamp) + '&' + "page=1&tag_id=" + str(tagID) + "&sort_type=&is_vip=0"
    response = requests.get(listURL, headers=header)
    vedioLists = response.text
    return vedioLists

4.在视频列表信息中获取视频对应的id，获取单个视频详细信息的URL

#获取单个视频的详细信息
def get_vediomassages(url, TimeStamp, vedioID):
    videoURL = url + "m=detail×tamp=" + str(TimeStamp) + '&' + "&id=" + str(vedioID)
    response = requests.get(videoURL, headers=header)
    vediomassag = response.text
    return vediomassag

5.在视频详细信息中找到m3u8文件的下载地址，并将文件保存到创建的文件中

#将下载的m3u8文件放进创建的ts列表文件中
def get_m3u8List(m3u8_url,vediomassag):
    lasturl = r'"m3u8_720_url":"(.*?)","download_url'
    last_url =re.findall(lasturl,vediomassag)
    lastURL=m3u8_url+str(last_url)
    response = requests.get(lastURL, headers=header)
    tsList = response.text
    cur_path='E:\\files' #在指定路径建立文件夹
    try:
    	if not os.path.isdir(cur_path): #确认文件夹是否存在
    		os.makedirs(cur_path)       #不存在则新建
    except:
    	print("文件夹存在")
    filename=cur_path+'\\t2.txt' #在文件夹中存放txt文件
    f = open(filename,'a', encoding="utf-8")
    f.write(tsList)
    f.close
    print('创建%s文件成功'%(filename))
    return filename

6.将m3u8文件中的ts单个提取出来放进列表中。

# 提取ts列表文件的内容，逐个拼接ts的url，形成list
def get_tsList(filename):
    ls = []
    with open(filename, "r") as file:
        line = f.readlines()
        for line in lines:
            if line.endswith(".ts\n"):
                ls.append(line[:-1])
    return ls

7.遍历列表获取单个ts地址，请求下载ts文件放进创建的文件夹中

# 批量下载ts文件
def DownloadTs(ls):
    length = len(ls)
    root='E:\\mp4'
    try:
        if not os.path.exists(root):
            os.mkdir(root)
    except:
        print("文件夹创建失败")
    try:
        for i in range(length):
            tsname = ls[i][:-3]
            ts_URL=url+ls[i]
            print(ts_URL)
            r = requests.get(ts_URL)
            with open(root, 'a') as f:
                f.write(r.content)
                f.close()
                print('\r' + tsname + " -->OK ({}/{}){:.2f}%".format(i, length, i * 100 / length), end='')
        print("下载完毕")
    except:
        print("下载失败")

代码整合

import requests
from datetime import datetime
import re
#import json
import time
import os


url = "http://xxxxxxxx/api/?d=pc&c=video&"
m3u8_url ='https://xxxxxxxxxxxxxxx/videos/cherry-prod/2020/03/01/2dda82de-5b31-11ea-b5ae-1c1b0da2bc3f/hls/480/'
header = {"user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2"}
vediomassag=''
TimeStamp = int(datetime.timestamp(datetime.now()))



#自定义函数获取分类
def get_vediocategory(url, TimeStamp):
    cgURL = url + "m=categories×tamp=" + str(TimeStamp) + '&'
    response = requests.get(cgURL, headers=header)
    category = response.text
#    strrr='"%s"'%category
#    return strrr
    return category

#获取分类后的视频列表
def get_vedioList(url, TimeStamp, tagID):
    listURL = url + "m=lists×tamp=" + str(TimeStamp) + '&' + "page=1&tag_id=" + str(tagID) + "&sort_type=&is_vip=0"
    response = requests.get(listURL, headers=header)
    vedioLists = response.text
    return vedioLists

#获取单个视频的详细信息
def get_vediomassages(url, TimeStamp, vedioID):
    videoURL = url + "m=detail×tamp=" + str(TimeStamp) + '&' + "&id=" + str(vedioID)
    response = requests.get(videoURL, headers=header)
    vediomassag = response.text
    return vediomassag

#将下载的m3u8文件放进创建的ts列表文件中
def get_m3u8List(m3u8_url,vediomassag):
    lasturl = r'"m3u8_720_url":"(.*?)","download_url'
    last_url =re.findall(lasturl,vediomassag)
    lastURL=m3u8_url+str(last_url)
    response = requests.get(lastURL, headers=header)
    tsList = response.text
    cur_path='E:\\files' #在指定路径建立文件夹
    try:
    	if not os.path.isdir(cur_path): #确认文件夹是否存在
    		os.makedirs(cur_path)       #不存在则新建
    except:
    	print("文件夹存在")
    filename=cur_path+'\\t2.txt' #在文件夹中存放txt文件
    f = open(filename,'a', encoding="utf-8")
    f.write(tsList)
    f.close
    print('创建%s文件成功'%(filename))
    return filename

# 提取ts列表文件的内容，逐个拼接ts的url，形成list
def get_tsList(filename):
    ls = []
    with open(filename, "r") as file:
        line = f.readlines()
        for line in lines:
            if line.endswith(".ts\n"):
                ls.append(line[:-1])
    return ls


# 批量下载ts文件
def DownloadTs(ls):
    length = len(ls)
    root='E:\\mp4'
    try:
        if not os.path.exists(root):
            os.mkdir(root)
    except:
        print("文件夹创建失败")
    try:
        for i in range(length):
            tsname = ls[i][:-3]
            ts_URL=url+ls[i]
            print(ts_URL)
            r = requests.get(ts_URL)
            with open(root, 'a') as f:
                f.write(r.content)
                f.close()
                print('\r' + tsname + " -->OK ({}/{}){:.2f}%".format(i, length, i * 100 / length), end='')
        print("下载完毕")
    except:
        print("下载失败")


'''# 整合所有ts文件，保存为mp4格式（此处函数复制而来未做实验，本人直接在根目录
命令行输入copy/b*.ts 文件名.mp4,意思是将所有ts文件合并转换成自己命名的MP4格式
文件。）
def MergeMp4():
    print("开始合并")
    path = "E://mp4//"
    outdir = "output"
    os.chdir(root)
    if not os.path.exists(outdir):
        os.mkdir(outdir)
    os.system("copy /b *.ts new.mp4")
    os.system("move new.mp4 {}".format(outdir))
    print("结束合并")'''
    
if __name__ == '__main__':
#    将获取的分类信息解码显示出来
#    print(json.loads(get_vediocategory(url, TimeStamp)))
    print(get_vediocategory(url, TimeStamp))
    tagID = input("请输入分类对应的id")
    print(get_vedioList(url, TimeStamp, tagID))
    vedioID = input("请输入视频对应的id")
    get_vediomassages(url, TimeStamp, vedioID)
    get_m3u8List(m3u8_url,vediomassag)
    get_tsList(filename)
    DownloadTs(ls)
#    MergeMp4()

此时正在下载

三、问题：

首先对于这种网站采取的爬取方法有很多，而我的方法相对来说有点太低端了，并且我也 是第一次写博客，第一次写爬虫这类程序，在格式上命名上存在着很多问题，函数的用法不全面。并且在运行的时候效率低速度太慢。在获取分类列表和视频列表时，因为是JSON文件，需要转码，过程太多加上程序不够稳定我就注释掉了。还有就是对于这种动态网页了解不够，所以学爬虫的小伙伴一定要把网页的基础搞好。希望各位大佬多指正多批评，让我们这些小白一起努力学好Python。

注意：里面所有的链接我的给打码了，怕被和谐了哈哈

感谢这几位大佬的文章：
1.python之爬虫（爬取.ts文件并将其合并为.MP4文件——以及一些异常的注意事项）

2.利用python爬虫通过m3u8文件下载ts视频