python采集网页代码（Python采集某网站小视频内容, m3u8内容下载）

前言

大家早好、午好、晚好吖~

环境使用:

Python 3.8

Pycharm

模块使用:

import requests >>> pip install requests

内置模块 你安装好python环境就可以了

import re

import json

模块安装问题:

如果安装python第三方模块:

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车

在pycharm中点击Terminal(终端) 输入安装命令

安装失败原因:

<font color =red >失败一: pip 不是内部命令</font>

解决方法: 设置环境变量

<font color =red >失败二: 出现大量报红 (read time out)</font>

解决方法: 因为是网络链接超时, 需要切换镜像源

清华：https://pypi.tuna.tsinghua.edu.cn/simple

阿里云：https://mirrors.aliyun.com/pypi/simple/

中国科技大学https://pypi.mirrors.ustc.edu.cn/simple/

华中理工大学：https://pypi.hustunique.com/

山东理工大学：https://pypi.sdutlinux.org/

豆瓣：https://pypi.douban.com/simple/

例如：pip3 install -ihttps://pypi.doubanio.com/simple/模块名

<font color =red >失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入</font>

解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好

或者你pycharm里面python解释器没有设置好

如何配置pycharm里面的python解释器?

选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)

点击齿轮, 选择add

添加python安装路径

pycharm如何安装插件?

选择file(文件) >>> setting(设置) >>> Plugins(插件)

点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation / 汉化插件 输入 Chinese

选择相应的插件点击 install(安装) 即可

安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效

? ? ? 源码、教程 领取

==资料点击蓝色字体自取== ，我都放在这里了。

如何实现虫案例: <思路流程 --> 通用>

一. 数据来源分析

分析清楚我们想要数据内容, 是在什么地方, 什么样子的

使用开发者工具进行抓包分析: 视频数据以及视频标题

I.F12或者 右键点击检查选择network刷新网页

这么多数据包, 我想要视频数据在什么地方?

M3U8 视频格式: 把整个完整的视频内容, 分为N个视频片段, 每个片段都是几秒钟 <看多少就加载多少>

所有视频片段 <ts文件> 都包含在 m3u8 的文件链接里面

II. 在开发者工具里面 直接搜索m3u8 可以直接找相对应链接地址

继续分析 这个 m3u8 url地址是从哪里过来 在什么地方有

III. 我们想要视频数据 <m3u8链接> 在 网页源代码里面有

获取整个视频内容 ---> 分为N个视频片段<ts文件> ---> 在m3u8链接里面 ---> 视频播放详情页网页源代码里面

二. 代码实现步骤:

发送请求, 模拟浏览器对于视频播放详情页url发送请求

获取数据, 获取服务器返回响应数据

开发者工具里 response

解析数据, 提取我们想要的数据内容

- m3u8链接

- 视频标题

发送请求, 模拟浏览器对于 m3u8链接 发送请求

由第三步提取出来链接发送请求

获取数据, 获取服务器返回响应数据

开发者工具里response<对应所有ts文件链接>

解析数据, 提取我们想要的数据内容

所有ts文件链接

保存数据, 把所有视频片段内容保存下来, 并且合成为一个完整视频内容

多页数据采集

代码展示

? ? ? 源码、教程 领取

==资料点击蓝色字体自取== ，我都放在这里了。

导入模块

1. 发送请求, 模拟浏览器对于 视频播放详情页url 发送请求

伪装代码 --> headers 请求头

在开发者工具里面进行复制粘贴<UA, cookie host referer>

请求头 字典数据类型, 构建完整键值对

<Response [200]>响应对象

200 状态码 表示请求成功

如果想要多个视频内容, 就要把视频ID获取下来 <动态数据加载>

分段写请求链接:

问号左边的内容 属于链接

问号右边的内容 属于请求参数/查询参数

批量替换内容:

选中替换的内容, 按ctrl + R点选正则<.*>

正则命令匹配数据 替换

请求链接

请求参数

模拟伪装

发送请求

解析数据

2. 获取数据, 获取服务器返回响应数据

开发者工具里 response

response.text获取响应文本数据 <网页源代码>

3. 解析数据, 提取我们想要的数据内容

m3u8链接

视频标题

调用re模块里面findall方法, 去找到所有我们想要的数据内容

re.findall(什么数据, 什么地方)

从什么地方去找你想要的什么数据

从response.text这里面 去找"title":"(.*?)", 其中(.*?)是我们要的数据

[1]列表索引位置取值

表示提取列表里面第二个元素

提取标题

提取视频信息

--> 字符串数据类型

转数据类型: 方便取值

---> 字典数据类型 键值对取值: 根据冒号左边的内容[键], 提取冒号右边的内容[值]

提取 m3u8链接

4. 发送请求, 模拟浏览器对于 m3u8链接 发送请求

由第三步提取出来链接发送请求

5. 获取数据, 获取服务器返回响应数据

开发者工具里 response <对应所有ts文件链接

xpath标签节点提取数据内容

re是可以直接对于字符串数据进行解析提取

css根据标签属性提取数据内容

requests parsel re csv selenium

字符串拼接 构建完整链接地址

7. 保存数据

--> 需要发送请求 + 获取数据

文章看不懂，我专门录了对应的视频讲解，本文只是大致展示，完整代码和视频教程点击下方蓝字

==点击蓝色字体自取，我都放在这里了。==

宁外给大家推荐一个好的教程：

【48小时搞定全套教程！你和大佬只有一步之遥【python教程】

尾语 ?

好了，我的这篇文章写到这里就结束啦！

有更多建议或问题可以评论区或私信我哦！一起加油努力叭(ง •_•)ง

喜欢就关注一下博主，或点赞收藏评论一下我的文章叭！！！

前言

大家早好、午好、晚好吖~

环境使用:

Python 3.8

Pycharm

模块使用:

import requests >>> pip install requests

内置模块 你安装好python环境就可以了

import re

import json

模块安装问题:

如果安装python第三方模块:

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车

在pycharm中点击Terminal(终端) 输入安装命令

安装失败原因:

<font color =red >失败一: pip 不是内部命令</font>

解决方法: 设置环境变量

<font color =red >失败二: 出现大量报红 (read time out)</font>

解决方法: 因为是网络链接超时, 需要切换镜像源

清华：https://pypi.tuna.tsinghua.edu.cn/simple

阿里云：https://mirrors.aliyun.com/pypi/simple/

中国科技大学https://pypi.mirrors.ustc.edu.cn/simple/

华中理工大学：https://pypi.hustunique.com/

山东理工大学：https://pypi.sdutlinux.org/

豆瓣：https://pypi.douban.com/simple/

例如：pip3 install -ihttps://pypi.doubanio.com/simple/模块名

<font color =red >失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入</font>

解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好

或者你pycharm里面python解释器没有设置好

如何配置pycharm里面的python解释器?

选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)

点击齿轮, 选择add

添加python安装路径

pycharm如何安装插件?

选择file(文件) >>> setting(设置) >>> Plugins(插件)

点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation / 汉化插件 输入 Chinese

选择相应的插件点击 install(安装) 即可

安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效

? ? ? 源码、教程 领取

==资料点击蓝色字体自取== ，我都放在这里了。

如何实现虫案例: <思路流程 --> 通用>

一. 数据来源分析

分析清楚我们想要数据内容, 是在什么地方, 什么样子的

使用开发者工具进行抓包分析: 视频数据以及视频标题

I.F12或者 右键点击检查选择network刷新网页

这么多数据包, 我想要视频数据在什么地方?

M3U8 视频格式: 把整个完整的视频内容, 分为N个视频片段, 每个片段都是几秒钟 <看多少就加载多少>

所有视频片段 <ts文件> 都包含在 m3u8 的文件链接里面

II. 在开发者工具里面 直接搜索m3u8 可以直接找相对应链接地址

继续分析 这个 m3u8 url地址是从哪里过来 在什么地方有

III. 我们想要视频数据 <m3u8链接> 在 网页源代码里面有

获取整个视频内容 ---> 分为N个视频片段<ts文件> ---> 在m3u8链接里面 ---> 视频播放详情页网页源代码里面

二. 代码实现步骤:

发送请求, 模拟浏览器对于视频播放详情页url发送请求

获取数据, 获取服务器返回响应数据

开发者工具里 response

解析数据, 提取我们想要的数据内容

- m3u8链接

- 视频标题

发送请求, 模拟浏览器对于 m3u8链接 发送请求

由第三步提取出来链接发送请求

获取数据, 获取服务器返回响应数据

开发者工具里response<对应所有ts文件链接>

解析数据, 提取我们想要的数据内容

所有ts文件链接

保存数据, 把所有视频片段内容保存下来, 并且合成为一个完整视频内容

多页数据采集

代码展示

? ? ? 源码、教程 领取

==资料点击蓝色字体自取== ，我都放在这里了。

导入模块

# 导入数据请求模块 ---> 要安装 在cmd里面 pip install requests import requests # 导入正则模块 ---> 内置模块 不需要安装 import re # 导入json模块 ---> 内置模块 不需要安装 import json # 导入格式化输出模块 ---> 内置模块 不需要安装 from pprint import pprint

1. 发送请求, 模拟浏览器对于 视频播放详情页url 发送请求

伪装代码 --> headers 请求头

在开发者工具里面进行复制粘贴<UA, cookie host referer>

请求头 字典数据类型, 构建完整键值对

<Response [200]>响应对象

200 状态码 表示请求成功

如果想要多个视频内容, 就要把视频ID获取下来 <动态数据加载>

分段写请求链接:

问号左边的内容 属于链接

问号右边的内容 属于请求参数/查询参数

批量替换内容:

选中替换的内容, 按ctrl + R点选正则<.*>

正则命令匹配数据 替换

(.*?): (.*) $1: $2,

请求链接

请求参数

data = { quickViewId: ac-space-video-list, reqID: 13, ajaxpipe: 1, type: video, order: newest, page: 2, pageSize: 20, t: 1666360290070, }

模拟伪装

headers = { # User-Agent 用户代理 表示浏览器基本身份信息 User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36 }

发送请求

response_1 = requests.get(url=link, params=data, headers=headers)

解析数据

video_id_list = re.findall(atomid.*?":.*?"(\d+).*?",, response_1.text) # for循环遍历 for video_id in video_id_list: # 发送请求 response = requests.get(url=url, headers=headers)

2. 获取数据, 获取服务器返回响应数据

开发者工具里 response

response.text获取响应文本数据 <网页源代码>

3. 解析数据, 提取我们想要的数据内容

m3u8链接

视频标题

调用re模块里面findall方法, 去找到所有我们想要的数据内容

re.findall(什么数据, 什么地方)

从什么地方去找你想要的什么数据

从response.text这里面 去找"title":"(.*?)", 其中(.*?)是我们要的数据

[1]列表索引位置取值

表示提取列表里面第二个元素

提取标题

title = re.findall("title":"(.*?)",, response.text)[1]

提取视频信息

--> 字符串数据类型

html_data = re.findall(window.pageInfo = window.videoInfo = (.*?);, response.text)[0]

转数据类型: 方便取值

---> 字典数据类型 键值对取值: 根据冒号左边的内容[键], 提取冒号右边的内容[值]

json_data = json.loads(html_data)

提取 m3u8链接

m3u8_url = json.loads(json_data[currentVideoInfo][ksPlayJson])[adaptationSet][0][representation][0][backupUrl][0]

4. 发送请求, 模拟浏览器对于 m3u8链接 发送请求

由第三步提取出来链接发送请求

5. 获取数据, 获取服务器返回响应数据

开发者工具里 response <对应所有ts文件链接

xpath标签节点提取数据内容

re是可以直接对于字符串数据进行解析提取

css根据标签属性提取数据内容

requests parsel re csv selenium

# 发送请求 + 获取数据 m3u8_data = requests.get(url=m3u8_url, headers=headers).text # 提取我们想要ts链接 跟上 6 有不明白 5 split() 分割字符串分割 --> 列表 m3u8_data = re.sub(#E.*, , m3u8_data).split() print(title) # for循环遍历 提取我们想要ts文件链接, 把列表里面元素 一个一个提取出来 for ts in m3u8_data:

字符串拼接 构建完整链接地址

7. 保存数据

--> 需要发送请求 + 获取数据

ts_content = requests.get(url=ts_url, headers=headers).content with open(video\\ + title + .mp4, mode=ab) as f: # 写入数据 f.write(ts_content) print(ts_url)

文章看不懂，我专门录了对应的视频讲解，本文只是大致展示，完整代码和视频教程点击下方蓝字

==点击蓝色字体自取，我都放在这里了。==

宁外给大家推荐一个好的教程：

【48小时搞定全套教程！你和大佬只有一步之遥【python教程】

尾语 ?

好了，我的这篇文章写到这里就结束啦！

有更多建议或问题可以评论区或私信我哦！一起加油努力叭(ง •_•)ง

喜欢就关注一下博主，或点赞收藏评论一下我的文章叭！！！