【Python爬蟲】太刺激了！本來只想爬個視訊的，誰知自己淪陷進去了（附原始碼）

阿新 • • 發佈：2021-10-14

知識點

爬蟲基本流程
re正則表示式簡單使用
requests
json資料解析方法
視訊資料儲存

開發環境

Python 3.8
Pycharm

爬蟲基本思路流程: (重點) [無論任何網站任何資料內容都是按照這個流程去分析]

確定需求 (爬取的內容是什麼東西?)
都通過開發者工具進行抓包分析
分析視訊播放url地址是可以從哪裡獲取到
如果我們想要的資料內容是音訊資料/視訊資料 (media)
雖然說知道視訊播放地址, 但是我們還需要知道這個播放地址可以從什麼地方獲取
傳送請求, 用python程式碼模擬瀏覽器對於目標地址傳送請求
獲取資料, 獲取伺服器給我們返回的資料內容
解析資料, 提取我們想要資料內容, 視訊標題/視訊url地址
儲存資料

【付費VIP完整版】只要看了就能學會的教程，80集Python基礎入門視訊教學

爬取內容

今天要爬取的目標就是這個

分析目標url

先開啟一個視訊，檢視id

開啟開發者工具，查詢

拿到目標url

對於本篇文章有疑問的同學可以加【資料白嫖、解答交流群：1039649593】

開始程式碼

最開始還是線匯入所需模組

import requests # 資料請求模組 pip install requests (第三方模組)
import pprint # 
 格式化輸出模組 內建模組 不需要安裝
import re # 正則表示式
import json

資料請求

def get_response(html_url):
    # 用python程式碼模擬瀏覽器
    # headers 把python程式碼進行偽裝
    # user-agent 瀏覽器的基本標識
    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 
'
    }
    # 用程式碼直接獲取的 一般大多數都是直接 cookie
    response = requests.get(url=html_url, headers=headers)
    return response

獲取視訊標題以及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'] # 視訊標題
    video_url = response.json()['data']['moment']['videoInfo']['definitions'][0]['url']
    video_info = [title, video_url]
    return video_info

獲取視訊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]
    # 需要把獲取的字串資料, 轉成json字典資料
    json_data = json.loads(result)['videoData']['videoDataList']['value']
    # json_data 列表 裡面元素是字典
    # print(json_data)
    video_ids = [i['vid'] for i in json_data]  # 列表推導式
    # 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])

儲存資料

def save(title, video_url):
    # 儲存資料, 也是還需要對於播放地址傳送請求的
    # response.content 獲取響應的二進位制資料
    video_content = get_response(html_url=video_url).content
    new_title = re.sub(r'[\/:*?"<>|]', '_', title)
    # 'video\\' + title + '.mp4' 資料夾路徑以及檔名字 mode 儲存方式 wb二進位制儲存方式
    with open('video\\' + new_title + '.mp4', mode='wb') as f:
        f.write(video_content)
        print('儲存成功: ', title)

呼叫函式

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}頁的資料內容')
        # python基礎入門課程 第一節課 講解的知識點 字串格式化方法
        url = f'https://v.huya.com/g/all?set_id=31&order=hot&page={page}'
        main(url)