Python爬虫实战第三例【三】【上】

news2024/11/27 4:22:59

零.实现目标

爬取视频网站视频

视频网站你们随意，在这里我选择飞某速（狗头保命）。

例如，作者上半年看过的“铃芽之旅”，突然想看了，但是在正版网站看要VIP，在盗版网站看又太卡了，没办法，那只好祭出我们的白嫖大法了（狗头保命）

一.准备工作

1.打开网址

我们先用谷歌浏览器，找到我们的铃芽之旅的网址：

铃芽之旅百度云网盘_在线播放-70看看

进入之后，是介个样子的：

2.寻找视频文件

右键页面空白处，找到我们的检查，进入开发者工具，点击Network（网络）。

（不过这个网址有点针对我们，右键不了，我们使用"shift + ctrl + i"快捷键打开）

点击我们的Fetch/XHR

可以看到有.m3u8后缀文件也有.ts文件，小伙伴可能会说，这都是啥啊我也看不懂，不要急我们先来科普一下：

2.1什么是TS文件

TS（Transport Stream，传输流）是一种封装的格式，它的全称为MPEG2-TS。MPEG2-TS是一种标准数据容器格式，传输与存储音视频、节目与系统信息协议数据，主要应用于数字广播系统，譬如DVB、ATSC与IPTV

2.2什么是.m3u8文件

.m3u8文件一般与.ts文件同时出现，主要记录.ts文件的索引，即某一个.ts文件对应视频中的某一段时间，而所有的.ts文件合并在一起就是一整个视频啦。

我们观察两个.m3u8文件，进入它们的预览，查看谁的格式是对的，如下图所示：

这种格式就代表是准确的.m3u8文件。

此时，我们已经找到了需要的.m3u8文件，我们开始分析这个m3u8文件。

2.3分析.m3u8文件

首先我们要先查看文件的URL，我们查看它的请求头可以发现，并不需要我们修改什么，我们只需要赋值一整串即为我们需要的URL。

接下来，我们需要查看我们在后续爬虫中需要构造的headers，也就是请求头：

通过分析查看，上述的所有请求头并不需要人为修改，并且在爬取过程中也不会动态变化。

为此，我们只需要将这些全部复制下来并构造成请求头即可。

三.构造爬取.m3u8文件代码

3.1获取.m3u8文件内容

通过第二步的分析，我们知道了URL和请求头，那还等什么，直接开始写代码吧！

import requests
import os

def get_ts_txt():
    #4请求URL
    url = "https://s8.fsvod1.com/20230703/J6BHjLy3/1500kb/hls/index.m3u8"
    #请求头
    headers = {
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
    }
    #创建get请求对象
    reponse = requests.get(url=url,headers=headers)
    #获取get请求对象的返回值
    get_txt = reponse.text

    print(get_txt)

if __name__ == "__main__":
    get_ts_txt()

值得注意的是，我们在headers构造中，并没有用全在第二步寻找到的请求头元素，这是因为在一般情况下我们只使用“User-Agent”来反爬就能成功了，如果不成功，我们再加上嘛，又不浪费时间。

效果图：

可以看到内容极其杂乱，并且不利于后面的使用，为此我们需要分析并提取出有效信息，也就是.ts信息。

3.2提取.m3u8中有效信息

仔细看可以发现，每个.ts文件之后跟着一个“，”，为此我们可以使用正则表达式，来匹配出.ts文件名。

使用：“\b\w+\.ts\b”，即可匹配出对应的.ts文件。

为此，我们可以改下代码为如下格式：

import requests
import os
import re

def get_ts_txt():
    #4请求URL
    url = "https://s8.fsvod1.com/20230703/J6BHjLy3/1500kb/hls/index.m3u8"
    #请求头
    headers = {
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
    }

    reponse = requests.get(url=url,headers=headers)

    get_txt = reponse.text
    #正则匹配出.ts后缀数据
    ts_files = re.findall(r"\b\w+\.ts\b",get_txt)

    #将.ts数据写入到文件中中
    with open("get_ts.txt","w") as file:
        for i in ts_files:
            i = i + "\n"
            file.write(i)

    print("获取ts文件成功.")
    return ts_files

if __name__ == "__main__":
    print(get_ts_txt())

同时，我们还将对应的.ts文件名保存到一个.txt文件中，方便查看。

效果：

至此，我们已经成功获取所有.ts视频文件名了，接下来只需要构建对应的爬取代码下载即可啦~

四.构造爬取.ts文件代码

4.1分析.ts文件

我们在开发者工具中随便打开一个.ts文件（你也可以打开多个查看不同点），找到URL部分，例如我打开的这个：

通过打开多个.ts文件查看，可以发现所有的.ts文件的URL只有后缀是不同的，而后缀恰恰是这个.ts文件的名字，为此我们就可以构造爬取代码了。

4.2构造爬取.ts代码

在爬取.ts之前，我们先创建一个文件夹用来存放：

def create_filedir():
    path = os.getcwd() + "/爬取数据"
    if os.path.exists(path):
        print("\\爬取视频文件夹已存在，本次不创建.")
    else:
        os.mkdir(path)
        print("创建\\爬取文件夹成功.")

通过这串代码可以轻松创建一个文件夹。

接下来，我们来构造爬取.ts代码：

def down_video(item):
    #对item进行解包，提取出ts文件和ts文件索引
    index,ts = item[0],item[1]
    #拼接文件序号
    if 0 <= index <=9:
        index = "000" + str(index)
    elif 10 <= index <= 99:
        index = "00" + str(index)
    elif 100 <= index <= 999:
        index = "0" + str(index)
    else:
        index = str(index)
    #爬取视频URL
    URL = "https://s8.fsvod1.com/20230703/J6BHjLy3/1500kb/hls/"
    #请求头
    headers = {
        "authority":"s8.fsvod1.com",
        "method":"GET",
        "path":f"/20221207/10692_4308abda/2000k/hls/{ts}",
        "scheme":"https",
        "Accept":r"*/*",
        "Accept-Encoding":"gzip,deflate,br,zstd",
        "Accept-Language":"zh-CN,zh;q=0.9",
        "Origin":"https://test3.gqyy8.com:4438",
        "Sec-Ch-Ua":'"Chromium";v="122","Not(A:Brand";v="24","Google Chrome";v="122"',
        "Sec-Ch-Ua-Mobile":"?0",
        "Sec-Ch-Ua-Platform":"Windows",
        "Sec-Fetch-Dest":"empty",
        "Sec-Fetch-Mode":"cors",
        "Sec-Fetch-Site":"cross-site",
        "User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/122.0.0.0Safari/537.36"
    }
    #拼接视频url
    URL = URL + "/" + ts
    try:
        r = requests.get(url=URL,headers=headers,timeout=10)
        with open(f"{os.getcwd()}/爬取数据/" + index + ".ts", "wb") as file:
            file.write(r.content)
    except Exception as e:
        if not file_flag:
            fil_list.append([int(index),ts])
        print(index,"写入失败,原因",e,sep="->")
        return
    print(index,"写入成功.",sep="->")

因为.ts文件是乱码且无序的，为此我们需要人为的给.ts文件按照下载的顺序进行重命名。

效果图：