Python爬蟲實(shí)戰(zhàn)之虎牙視頻爬取附源碼

更新時(shí)間：2021年10月15日 09:09:46 作者：松鼠愛吃餅干

讀萬(wàn)卷書不如行萬(wàn)里路，學(xué)的扎不扎實(shí)要通過實(shí)戰(zhàn)才能看出來(lái)，本篇文章手把手帶你爬取虎牙短視頻數(shù)據(jù),大家可以在實(shí)戰(zhàn)過程中查缺補(bǔ)漏，加深學(xué)習(xí)

知識(shí)點(diǎn)

爬蟲基本流程
re正則表達(dá)式簡(jiǎn)單使用
requests
json數(shù)據(jù)解析方法
視頻數(shù)據(jù)保存

開發(fā)環(huán)境

Python 3.8
Pycharm

爬蟲基本思路流程: (重點(diǎn)) [無(wú)論任何網(wǎng)站任何數(shù)據(jù)內(nèi)容都是按照這個(gè)流程去分析]

1.確定需求 (爬取的內(nèi)容是什么東西?)

都通過開發(fā)者工具進(jìn)行抓包分析
分析視頻播放url地址是可以從哪里獲取到
如果我們想要的數(shù)據(jù)內(nèi)容是音頻數(shù)據(jù)/視頻數(shù)據(jù) (media)
雖然說知道視頻播放地址, 但是我們還需要知道這個(gè)播放地址可以從什么地方獲取

2.發(fā)送請(qǐng)求, 用python代碼模擬瀏覽器對(duì)于目標(biāo)地址發(fā)送請(qǐng)求

3.獲取數(shù)據(jù), 獲取服務(wù)器給我們返回的數(shù)據(jù)內(nèi)容

4.解析數(shù)據(jù), 提取我們想要數(shù)據(jù)內(nèi)容, 視頻標(biāo)題/視頻url地址

5.保存數(shù)據(jù)

【付費(fèi)VIP完整版】只要看了就能學(xué)會(huì)的教程，80集Python基礎(chǔ)入門視頻教學(xué)

點(diǎn)這里即可免費(fèi)在線觀看

分析目標(biāo)url

先打開一個(gè)視頻，查看id

請(qǐng)?zhí)砑訄D片描述

打開開發(fā)者工具，查找

拿到目標(biāo)url

開始代碼

最開始還是線導(dǎo)入所需模塊

import requests # 數(shù)據(jù)請(qǐng)求模塊 pip install requests (第三方模塊)
import pprint # 格式化輸出模塊 內(nèi)置模塊 不需要安裝
import re # 正則表達(dá)式
import json

數(shù)據(jù)請(qǐng)求

def get_response(html_url):
    # 用python代碼模擬瀏覽器
    # headers 把python代碼進(jìn)行偽裝
    # user-agent 瀏覽器的基本標(biāo)識(shí)
    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'
    }
    # 用代碼直接獲取的 一般大多數(shù)都是直接 cookie
    response = requests.get(url=html_url, headers=headers)
    return response

獲取視頻標(biāo)題以及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)
    title = response.json()['data']['moment']['title'] # 視頻標(biāo)題
    video_url = response.json()['data']['moment']['videoInfo']['definitions'][0]['url']
    video_info = [title, video_url]
    return video_info

獲取視頻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]
    # 需要把獲取的字符串?dāng)?shù)據(jù), 轉(zhuǎn)成json字典數(shù)據(jù)
    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]  # 列表推導(dǎo)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])

保存數(shù)據(jù)

def save(title, video_url):
    # 保存數(shù)據(jù), 也是還需要對(duì)于播放地址發(fā)送請(qǐng)求的
    # response.content 獲取響應(yīng)的二進(jìn)制數(shù)據(jù)
    video_content = get_response(html_url=video_url).content
    new_title = re.sub(r'[\/:*?"<>|]', '_', title)
    # 'video\\' + title + '.mp4' 文件夾路徑以及文件名字 mode 保存方式 wb二進(jìn)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)

調(diào)用函數(shù)

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}頁(yè)的數(shù)據(jù)內(nèi)容')
        # python基礎(chǔ)入門課程 第一節(jié)課 講解的知識(shí)點(diǎn) 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)