利用selenium和ffmpeg爬取m3u8 ts视频《进击的巨人》
需求
想看下动漫《进击的巨人》,发现到处被和谐,找不到资源,但是在一个视频网站找到了在线播放,https://www.55cc.cc/dongman/17890/player-2-1.html,然而不能下载下来(喜欢的东西我一般都看很多遍)
找了下,网站没发现robots协议,加上我用的和真人浏览差不多的效率来爬取,应该ok的
于是想爬虫爬取下,但是看源代码发现视频是m3u8的ts流,而且是双层m3u8的,并且m3u8地址还隐藏在js代码中,于是有2种处理方法:
1.直接requests源码,把js代码的部分逐字解析,找出m3u8地址。
2.直接调用浏览器渲染,将渲染后的网页代码拿到,就可以看到iframe标签中src地址了
获取到首层m3u8地址后就简单了,直接requests请求到第二层m3u8地址,这就是真实地址了,下载后可以看到是很多的ts流小文件,于是有2种处理方法了:
1.直接逐个获取ts地址,然而写到本地磁盘的同一个文件,最后转码到mp4(ts格式太占空间)
2.直接调用ffmpeg,能根据m3u8地址下载ts流并合并为一个文件且同步转码为mp4
上述均采用第二种方法,于是写出个简单的该网站的视频爬虫
源代码
from selenium import webdriver from bs4 import BeautifulSoup import re import requests import os if __name__ == '__main__': urls = ['https://www.55cc.cc/dongman/17890/player-2-'+str(n)+'.html' for n in range(1,14,)] for url in urls: browser = webdriver.Firefox() browser.get(url) htmldata=browser.page_source browser.close() soup = BeautifulSoup(htmldata,'html.parser') m3u8 = re.findall(r'(https://\S+)',soup.select('iframe[name="iFrame_play"]')[0].get('src')[1::1])[0] r = requests.get(m3u8).text m3u8_rel = m3u8.replace('index.m3u8','')+re.split('\n',r)[-1] ffmpeg = '"C:\\soft\\ffmpeg\\bin\\ffmpeg.exe"' output = "f:\\进击的巨人\\第三季\\"+soup.title.string.replace('集在线观看_动漫_五五影院','').replace(' ','')+".mp4" cmd = ffmpeg+" -i "+m3u8_rel+" -vcodec copy -acodec copy "+output os.system(cmd)
执行结果
总结
每次都要启动浏览器,有点儿膈应人,后面还是改成headless浏览器即无界面浏览器(无头浏览器)来渲染
12集都要顺序执行下载,有点儿慢,后续改成并发执行,一次性同步并发执行12条cmd命令来下载,即多进程方式
优化后
把共12集由原来的串行爬取改为并行爬取,增加效率
from selenium import webdriver from bs4 import BeautifulSoup import re import requests import os if __name__ == '__main__': urls = ['https://www.55cc.cc/dongman/17890/player-2-'+str(n)+'.html' for n in range(1,14,)] cmds = [] command = '' for url in urls: browser = webdriver.Firefox() browser.get(url) htmldata=browser.page_source browser.close() soup = BeautifulSoup(htmldata,'html.parser') m3u8 = re.findall(r'(https://\S+)',soup.select('iframe[name="iFrame_play"]')[0].get('src')[1::1])[0] r = requests.get(m3u8).text m3u8_rel = m3u8.replace('index.m3u8','')+re.split('\n',r)[-1] output = "f:\\进击的巨人\\第三季\\"+soup.title.string.replace('集在线观看_动漫_五五影院','').replace(' ','')+".mp4" cmd ="ffmpeg -i "+m3u8_rel+" -vcodec copy -acodec copy "+output cmds.append(cmd) #os.system(cmd) for i in cmds: command+='start cmd /c "'+i+'"&' os.system(command[:-1:])
知识点
尝试过you-get来爬,不过好像不好用,也许是我菜
浏览器动态渲染 webkit;
python中动态网页爬取方式:
dryscape 作者已经不再维护了,并且作者推荐的库仅是python2,已凉凉;
selenium 可以,但是缺点是必须要打开浏览器;
Phantom JS,无头浏览器 ,无界面浏览器, headless ,借助之可以模拟webkit执行,但是Phantom JS停止更新了且selenium不支持它了,也凉凉;
chrome headless 或者firefox headless可以替代Phantom JS(建议使用,毕竟官方出品,比开源项目动不动有大坑,比如phantomjs坑1000+,或者没人维护等等毛病)
puppeteer也可以替代Phantom JS ,Pyppeteer是其python实现库但是有问题不成熟,不建议用
tampermonkey油猴插件,自动交互,用js注入,可以对网页各种花式操作,比如给网页注入个下载按钮啥的(油猴可以自动交互但不好监控网络请求,chrome extension 可以监控请求但没法监控响应,cdp 全部都可以做但是不好操作 dom)
cheerio 针对DOM的
appium是针对手机端的,一般由于手机端性能问题,反爬策略较少,对于pc端实在没法子的,可以从手机端操作
selenium被识别的程度越来越高,阿里的网站瞬间能识别,但是识别了并不会告诉你,而是返回给你和真人不一样的结果
一般小型网站,直接webkit渲染即可,最简单通用的方式是用 headless 的浏览器,完全模拟人工操作,增大 IP 池,降低访问评率。缺点是效率低,资源成本高
大型网站,是有价值去仔细分析的,一般都是前后分离,传输数据都是json,找到接口requests即可,但是对于加密的,直接请求又可能不行
无头浏览器的资源占用太多,能不用就不用
博客出处:http://www.cnblogs.com/yongestcat/
欢迎转载,转载请标明出处。
如果你觉得本文还不错,对你的学习带来了些许帮助,请帮忙点击右下角的推荐