Python爬虫实战之虎牙视频爬取附源码

时间:2021-09-23 11:50:56

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

 

开发环境

  • Python 3.8
  • Pycharm

爬虫基本思路流程: (重点) [无论任何网站 任何数据内容 都是按照这个流程去分析]

1.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

2.发送请求, 用python代码模拟浏览器对于目标地址发送请求

3.获取数据, 获取服务器给我们返回的数据内容

4.解析数据, 提取我们想要数据内容, 视频标题/视频url地址

5.保存数据

【付费VIP完整版】只要看了就能学会的教程,80集Python基础入门视频教学

点这里即可免费在线观看

 

分析目标url

先打开一个视频,查看id

Python爬虫实战之虎牙视频爬取附源码

打开开发者工具,查找

Python爬虫实战之虎牙视频爬取附源码

拿到目标url

Python爬虫实战之虎牙视频爬取附源码

 

开始代码

最开始还是线导入所需模块

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

数据请求

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

获取视频标题以及url地址

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)
  video_url = response.json()['data']['moment']['videoInfo']['definitions'][0]['url']
  video_info = [title, video_url]
  return video_info

获取视频id

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])

保存数据

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)

调用函数

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)

运行代码,得到数据

Python爬虫实战之虎牙视频爬取附源码

到此这篇关于Python爬虫实战之虎牙视频爬取附源码的文章就介绍到这了,更多相关Python 爬取虎牙视频内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家!

原文链接:https://pythonjx.blog.csdn.net/article/details/120770141