Python爬虫实战之虎牙视频爬取附源码_Python

Python爬虫实战之虎牙视频爬取附源码

2022-01-25 00:07松鼠爱吃饼干 Python

读万卷书不如行万里路，学的扎不扎实要通过实战才能看出来，本篇文章手把手带你爬取虎牙短视频数据,大家可以在实战过程中查缺补漏，加深学习

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)