我用Python爬完一页又一页，只因这个网站小姐姐视频太迷人！

首先澄清一下，我用Python收集这些视频，绝不是想做别的什么，真的只是用来做动态壁纸，大家不要误会！我不是那样的人~

这样的不过份吧 😻

在这里插入图片描述

阅读本文你需要准备

1、环境

Python
pycharm

# 我还给大家准备了大量的学习资料和教程，都在这个群了
# Python学习交流群 279199867
# 还有大佬不定期解答问题，同千人一起进步~

 

2、模块使用

requests

 

requests 需要手动安装一下 ，win + R 输入cmd 输入安装命令 pip install 模块名 (如果你觉得安装速度比较慢, 你可以切换国内镜像源)

re
json

 

这两个是内置模块，不需要安装，Python环境安装好就可以了。

3、关于模块安装失败

如何安装python第三方模块:

  1. 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
  2. 在pycharm中点击Terminal(终端) 输入安装命令

安装失败原因：

  • 失败一: pip 不是内部命令
    解决方法: 设置环境变量

  • 失败二: 出现大量报红 (read time out)
    解决方法: 因为是网络链接超时, 需要切换镜像源。

 清华：https://pypi.tuna.tsinghua.edu.cn/simple
 阿里云：https://mirrors.aliyun.com/pypi/simple/
 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
 华中理工大学：https://pypi.hustunique.com/
 山东理工大学：https://pypi.sdutlinux.org/
 豆瓣：https://pypi.douban.com/simple/

例如：pip3 install -i https://pypi.doubanio.com/simple/ 模块名

  • 失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入
    解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好。
    或者你pycharm里面python解释器没有设置好

4、配置pycharm里面的python解释器

  1. 选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
  2. 点击齿轮, 选择add
  3. 添加python安装路径

5、Python想要兼职接外包应该学习什么?

外包是什么? 是指别人花钱请你帮他写程序, 根据甲方的需求定制化开发程序软件, 从而获得一定报酬。

目前关于爬虫+数据分析外包相对而言会多一些。

比如:

  • 学生的毕设 / 课设 / 作业、个人商家需要的一些数据采集、某人公司需要的某些数据等等；
  • 采集疫情数据做可视化分析 / 采集房源数据做可视化分析 / 采集招聘网站做可视化分析 / 采集电商平台做可视化分析 等等

这些是普遍存在的外包需求

根据外包的需求以及难易程序 外包的收费情况也是不一样的, 按照分布计算。

  • 简单的外包: 100-300左右 耗时: 30-60分钟左右
  • 中等的外包: 500+ 左右 耗时: 1-2个小时左右
  • 难度稍大外包: 价格 1000+ 不封顶等 耗时: 3-5天不等

爬虫和数据分析外包 一般情况写外包的周期相对而言会比较多短

网站开发的外包难度以及耗时相当而言会大一些，比如开发后台数据管理系统 / 某公司企业官网 / 或者学生毕设等等，但是价格相对而言都是比较高的，网站开发价格普通是上千。

6、Python找工作就业方向以及薪资待遇情况

Python找工作方向主要是

  • 开发工程师 <网站开发/全栈开发>
    北京平均薪资23K
    应届生15K
    1-3年 16.9K
    3-5年22.9K

  • 爬虫工程师
    北京平均薪资22.5K
    应届生16.7K
    1-3年 18.1K
    3-5年 24K

  • 数据分析师
    北京平均薪资25.3K
    应届生13.5K
    1-3年 19.4K
    3-5年26.2K

以上数据来源于科大招聘网站

常用p虫通用模板

  • 一. 数据来源分析

采集数据内容, 要知道我们想要内容是来自哪里
<开发者工具进行抓包分析>

    I. F12打开打开发者工具
    II. 刷新网页 让数据重新加载一遍
    III. 这个网站是一个m3u8视频内容

正常情况, 一个视频完整的内容
m3u8视频内容 会整个完整视频内容,分割成很多个小视频片段 <ts文件> 一个ts文件 可能只有几秒钟的时间
所以我们得去找一个文件内容 <m3u8文件> 包含我们所有ts文件内容 <所有视频片段>
最好的搜索方式, 是根据ts文件url去搜索m3u8文件

请求获取网页源代码 就可以得到m3u8文件 >>> 所有视频片段就得到了 >>> 合成为一个整体的视频内容

  • 二. 代码实现步骤: <基本四大步骤>
  1. 发送请求, 对于视频播放详情页url地址发送请求
  2. 获取数据, 获取网页源代码 <获取服务器返回response响应数据>
  3. 解析数据, 提取我们想要数据内容 <m3u8文件>
  4. 发送请求, 对于m3u8文件url发送请求
  5. 获取数据, 获取服务器返回response响应数据
  6. 解析数据, 提取所有ts文件内容 <视频片段url>
  7. 保存数据, 保存视频内容到本地
  8. 多个视频采集
  9. 多页数据采集
  10. 根据关键词视频下载
  11. 根据关键词视频下载

代码部分

import time
import requests  # 数据请求模块
import re  # 正则表达式模块
import json
import pprint

for page in range(3, 29):
    print(f'正在采集第{page}页的数据')
    time.sleep(1)
    link = 'https://www.acfun.cn/u/29946310'
    data = {
        'quickViewId': 'ac-space-video-list',
        'reqID': page+1,
        'ajaxpipe': '1',
        'type': 'video',
        'order': 'newest',
        'page': page,
        'pageSize': '20',
        't': '1653659024877',
    }
    headers = {
        'referer': 'https://acfun/u/29946310',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
    }
    response = requests.get(url=link, params=data, headers=headers)
    # pprint.pprint(response.text)
    ac_id_list = re.findall('atomid.*?:.*?"(\d+).*?"', response.text)
    print(ac_id_list)


    for ac_id in ac_id_list:
        url = f'https://acfun/v/ac{ac_id}'
        headers = {
            'referer': f'https://acfun/u/{ac_id}',
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
        }
        response = requests.get(url=url, headers=headers)
        title = re.findall('<title >(.*?) - AcFun弹幕视频网 - 认真你就输啦 \(\?ω\?\)ノ- \( ゜- ゜\)つロ</title>', response.text)[0]
        html_data = re.findall('window.pageInfo = window.videoInfo = (.*?);', response.text)[0]
        json_data = json.loads(html_data)
        m3u8_url = json.loads(json_data['currentVideoInfo']['ksPlayJson'])['adaptationSet'][0]['representation'][0]['backupUrl'][0]
        m3u8_data = requests.get(url=m3u8_url, headers=headers).text
        m3u8_data = re.sub('#E.*', '', m3u8_data).split()
        print(title)
        print(m3u8_url)

兄弟们快去试试吧！

在这里插入图片描述

posted @ 2022-06-20 16:22  轻松学Python  阅读(614)  评论(0)  编辑  收藏  举报