这是我参与8月更文挑战的第2天，活动详情查看：8月更文挑战
起因
中午边吃饭边刷手机，突然刷到某音刚上线了网页版 某音网页版,打开一看，好家伙，这不是抄.... 额，不，借鉴的油管么，就想着网站刚上线，肯定有没有那么强的反扒机制，撸个爬虫玩玩吧
目标网站
代码仓库
开源地址:某音爬虫
实现方案
主要使用Python3实现
- requests 用来获取网页html代码，下载视频等
- re 使用正则表达式从html中匹配链接等
- selenium 由于视频页有动态数据，采用selenium方案获取加载后的数据 需要配合浏览器驱动使用
实现过程
一、请求一个列表页，获取到html，匹配出页面中全部详情页链接，生成链接池
二、原本想从链接池中取出详情页地址，请求详情页html，从中匹配出视频资源地址，进入视频池，但是测试后发现由于视频资源链接为动态获取，直接requests.get拿不到视频地址，于是采取了第二种方案，使用selenium调起浏览器来加载页面，加载完成后使用xpath定位到视频资源位置，提取资源链接进入视频池
三、从视频池中取出资源地址，下载保存到本地
四、到这里基本功能已经实现，代码执行中发现，链接池只能获取到10个链接，只能下载10个视频，检查后发现是列表页有懒加载功能，每次翻页到底部才能加载出下一页列表
五、到这里已经有了解决思路，只要我们自动翻页，一直翻到最后，加载完全部列表在去抓取链接池就可以了，此处使用selenium插入JS，操作翻页，然后运行代码，发现还是获取不到完整的链接池，只能获取到最后两页的，猜测可以是做了优化，翻过去的列表被移除了
六、这也好解决，我们只要在每次翻页的时候去获取一次链接池就，当翻页完成就可以获取到完整链接了，这样又诞生了一个新的问题，就是会获取到重复的链接，只要在翻页完成时，转换下数据类型，去重就可以了
七、然后就可以快乐的爬视频了
看起来上面说的不少，实际上只需要五十行左右代码就可以实现
具体代码如下
import requests
import re
from selenium import webdriver
import time
from contextlib import closing
def get_home_ulrs(url):
browser = webdriver.Chrome();
browser.get(url)
num = browser.find_element_by_xpath(
'//*[@id="root"]/div/div[2]/div/div[4]/div[1]/div[1]/div[1]/span').text
num = int(int(num)/15)+1
urls = []
for i in range(num):
newList = re.findall('https\:\/\/www\.douyin\.com\/video\/[\d]*\?previous_page\=', browser.page_source)
urls = [*urls,*newList]
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
time.sleep(2)
print(urls)
print(set(urls))
mainList =set(urls)
browser.close()
return mainList
def get_video(url):
browser = webdriver.Chrome();
browser.get(url)
html = browser.find_element_by_xpath(
'//*[@id="root"]/div/div[2]/div[1]/div[1]/div[1]/div[1]/div/div[1]/div[2]/video/source[1]')
video_url = html.get_attribute('src')
browser.close()
return video_url
def download(url, name):
with closing(requests.get(url=url, verify=False, stream=True)) as res:
with open('video/{}.mp4'.format(name), 'wb') as fd:
for chunk in res.iter_content(chunk_size=1024):
if chunk:
fd.write(chunk)
if __name__ == '__main__':
url = input('请输入个人主页地址')
print('正在获取视频地址')
urls = get_home_ulrs(url)
print(urls)
print('成功获取{}个,开始下载'.format(len(urls)))
index = 1
for url in urls:
video_url = get_video(url)
print('正在下载{}/{}'.format(len(urls),index))
download(video_url, index)
print('下载完成')
index += 1
视频演示
总结
本次爬站没有什么太大的障碍，没有什么复杂的反扒机制，没啥可说的.... 另外问下，这够判几年...
补充
目前本程序已经不适用于当前版本某音，原因是某音增加了新的反扒机制，会弹出滑动验证码，本文仅作学习参考使用
