【Python爬虫】太刺激了!本来只想爬个视频的,谁知自己沦陷进去了(附源码)
知识点
- 爬虫基本流程
- re正则表达式简单使用
- requests
- json数据解析方法
- 视频数据保存
- Python 3.8
- Pycharm
-
确定需求 (爬取的内容是什么东西?)
都通过开发者工具进行抓包分析
分析视频播放url地址 是可以从哪里获取到
如果我们想要的数据内容 是 音频数据/视频数据 (media)
虽然说知道视频播放地址, 但是我们还需要知道这个播放地址 可以从什么地方获取 -
发送请求, 用python代码模拟浏览器对于目标地址发送请求
-
获取数据, 获取服务器给我们返回的数据内容
-
解析数据, 提取我们想要数据内容, 视频标题/视频url地址
-
保存数据
今天要爬取的目标就是这个
先打开一个视频,查看id
打开开发者工具,查找
拿到目标url
import requests # 数据请求模块 pip install requests (第三方模块) import pprint # 格式化输出模块 内置模块 不需要安装 import re # 正则表达式 import json
def get_response(html_url): # 用python代码模拟浏览器 # headers 把python代码进行伪装 # user-agent 浏览器的基本标识 headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36' } # 用代码直接获取的 一般大多数都是直接 cookie response = requests.get(url=html_url, headers=headers) return response
def get_video_info(video_id): html_url = f'https://liveapi.huya.com/moment/getMomentContent?videoId={video_id}&uid=&_=1634127164373' response = get_response(html_url) title = response.json()['data']['moment']['title'] # 视频标题 video_url = response.json()['data']['moment']['videoInfo']['definitions'][0]['url'] video_info = [title, video_url] return video_info
def get_video_id(html_url): html_data = get_response(html_url).text result = re.findall('<script> window.HNF_GLOBAL_INIT = (.*?) </script>', html_data)[0] # 需要把获取的字符串数据, 转成json字典数据 json_data = json.loads(result)['videoData']['videoDataList']['value'] # json_data 列表 里面元素是字典 # print(json_data) video_ids = [i['vid'] for i in json_data] # 列表推导式 # lis = [] # for i in json_data: # lis.append(i['vid']) # print(video_ids) # print(type(json_data)) return video_ids # 目光所至 我皆可爬 def main(html): video_ids = get_video_id(html_url=html) for video_id in video_ids: video_info = get_video_info(video_id) save(video_info[0], video_info[1])
def save(title, video_url): # 保存数据, 也是还需要对于播放地址发送请求的 # response.content 获取响应的二进制数据 video_content = get_response(html_url=video_url).content new_title = re.sub(r'[\/:*?"<>|]', '_', title) # 'video\\' + title + '.mp4' 文件夹路径以及文件名字 mode 保存方式 wb二进制保存方式 with open('video\\' + new_title + '.mp4', mode='wb') as f: f.write(video_content) print('保存成功: ', title)
if __name__ == '__main__': # get_video_info('589462235') video_info = get_video_info('589462235') save(video_info[0], video_info[1]) for page in range(1, 6): print(f'正在爬取第{page}页的数据内容') # python基础入门课程 第一节课 讲解的知识点 字符串格式化方法 url = f'https://v.huya.com/g/all?set_id=31&order=hot&page={page}' main(url)