话说人生苦短,我用Python。
如果学python不是为了下载这些视频,那将毫无意义!
啊呸,老色批
咳咳,我们开始正题,声明一下,虽然某平台几十位老师被抓了,但是咱们不爬那些视频哈。
一、事前前奏
首先没装Python、pycharm的铁子先自己安装一下,我就不写安装了。
然后就是模块了,还是爬虫老大件 requests ,直接 pip 安装即可,requests 是数据请求模块。
win+r 打开运行框输入 cmd 按回车,在弹出来的命令提示符窗口输入 pip install requests 回车即可安装成功。
- 安装失败原因
1、 pip 不是内部命令,解决方法(设置环境变量)
2、出现大量报红 (read time out) ,解决方法(因为是网络链接超时, 需要切换镜像源)
3、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,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)
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/ # Python学习交流群:815624229
安装方式
例如
pip3 install -i https://pypi.doubanio.com/simple/ 模块名
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。
二、正文
前奏完了,我们直接进入主题…
地址我把关键的删掉了,第一个 v.6 第二个 haokan.baidu
1、思路流程
我们怎么去实现一个pa虫案例?
每个网站数据结构都是不一样的,需要自己重新去分析去抓包,但pa虫基本就这个流程。
1、数据来源分析
- 首先确定自己的目标地址以及目标数据来源,确定url地址;
- 通过开发者工具进行抓包分析;
2、代码实现过程
- 发送请求,对于刚刚分析得到url地址发送请求;
- 获取数据,获取服务器返回 response数据;
- 解析数据,提取我们想要内容 ,视频播放url地址以及视频标题;
- 保存数据,保存本地文件夹;
2、代码展示
首先导入模块
import requests import re
re是正则表达是模块,内置的,不用安装。只要安装 requests 就好了。
发送请求
对于刚刚分析得到url地址发送请求
I. 请求url网址 [理解为电话号码];
II. 请求方式;
III. headers伪装需要加什么参数、请求头、字典数据类型、键值对形式;
for page in range(26, 29): print(f\'====================================正在采集第{page}页数据内容====================================\') url = f\'https://minivideo/getMiniVideoList.php?act=recommend&page={page}&pagesize=25\' headers = { \'user-agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36\' } response = requests.get(url=url, headers=headers)
<Response [200]> 返回response响应对象 200 状态码表示请求成功。
获取数据
获取服务器返回response数据
response.text 获取响应体文本数据 字符串数据类型
response.json() 获取响应体json字典数据 字典数据类型
如果返回数据是一个完整 json 数据格式,可以直接获取 response.json() 为了方便之后提取内容。
字典取值更方便,可以直接根据键值对提取数据内容,根据冒号左边的内容,提取冒号右边的内容。
先取 content 再取list ,返回的就是列表数据。
print(response.text) print(response.json()[\'content\'][\'list\'])
这个返回的列表就包含了视频的数据信息,后面的地址我就没截图了,我怕~
解析数据
提取我们想要内容、视频播放url地址以及视频标题。
for index in response.json()[\'content\'][\'list\'][14:]: title = index[\'title\'] play_url = index[\'playurl\'] # 快速复制 ctrl + D new_title = re.sub(r\'[\\/:*?\"|<>]\', \'\', title) print(title, play_url)
保存数据
video_content = requests.get(url=play_url).content with open(\'video\\\\\' + new_title + \'.mp4\', mode=\'wb\') as f: f.write(video_content) print(\'视频保存完成: \', title, play_url)
补充
json获取数据
import requests import re import json url = \'https://com/web/search/api?pn=4&rn=10&type=video&query=%E7%BE%8E%E5%A5%B3\' headers = { \'user-agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36\' } json_data = requests.get(url=url, headers=headers).json() for index in json_data[\'data\'][\'list\']: index_url = index[\'url\'] html_data = requests.get(url=index_url, headers=headers).text video_info = re.findall(\'window.__PRELOADED_STATE__ = (.*?);.*?document\', html_data)[0] json_data_1 = json.loads(video_info) title = json_data_1[\'curVideoMeta\'][\'title\'] video_url = json_data_1[\'curVideoMeta\'][\'clarityUrl\'][-1][\'url\'] print(title, video_url)
3、结果展示
兄弟们,今天的分享就到这里,记得点赞收藏!
来源:https://www.cnblogs.com/hahaa/p/16046563.html
本站部分图文来源于网络,如有侵权请联系删除。