单线程多任务协程vip电影爬取
——仅供学习使用勿作商用如有违规后果自负!!!
这几天一直在使用python爬取电影,主要目的也是为了巩固前段时间强化学习的网络爬虫,也算是一个不错的检验吧,面对众多的反爬机制,爬虫真的是一件不容易的事,但我们本着“没有爬不下来的东西,只有懒惰的程序员”的坊间箴言,在遵守有关法律法规的前提下,与反爬机制作斗争,也是一个提升自我的过程。下面言归正传,今天我们学习一下使用单线程多任务协程方式来爬取普通电影和vip电影
一、明确几个概念
- 关于网络抓包:
- elements里面是当前所见的网页,网页变化elements里面的标签元素也会变化,它只是记录某一时刻的网页内容,可以将它视为“快照”。
- 而network内则记录从你打开检查开始网页上出现的所有的包,既然是从你打开检查开始,因此会存在一些漏包,建议先清空network,然后重新刷新页面,就能捕捉到所有的包,就不会出现漏包。
- 各大优酷腾讯爱奇艺等主流互联网视频网站,为了反爬以及防止过度占用媒体资源,抓包中是不提供.mp4文件,一般都以.m3u8的格式呈现。
- M3U8 是 Unicode 版本的 M3U,用 UTF-8 编码。"M3U" 和 "M3U8" 文件都是苹果公司使用的 HTTP Live Streaming(HLS) 协议格式的基础,这种协议格式可以在 iPhone 和 Macbook 等设备播放。简而言之,HLS 是新一代流媒体传输协议,其基本实现原理为将一个大的媒体文件进行分片,将该分片文件资源路径记录于 m3u8 文件(即 playlist)内,其中附带一些额外描述(比如该资源的多带宽信息···)用于提供给客户端。客户端依据该 m3u8 文件即可获取对应的媒体资源,进行播放。链接:https://www.jianshu.com/p/e97f6555a070
- 抓m3u8真的是件很不容易的事情,无论vip还是普通电影,都能搜索到.m3u8的数据(url),打开检查后,最好再刷新一下网页,因为很多都是打开网页m3u8就立马加载的,爬取电影分vip爬取和普通爬取进行讲解。
二、普通电影爬取
- 直接f12抓包,搜索.m3u,能找到m3u8的url
-
获得后下载m3u8,用python编写代码(代码与vip下载相同,不做重复说明)下载里面的.ts文件,合成.mp4,如果能够播放,但是时长显示错误的话,需要用ffmpeg转码。
ffmpeg -i out.ogv -vcodec h264 out.mp4 ffmpeg -i out.ogv -vcodec mpeg4 out.mp4 ffmpeg -i out.ogv -vcodec libxvid out.mp4 ffmpeg -i out.mp4 -vcodec wmv1 out.wmv ffmpeg -i out.mp4 -vcodec wmv2 out.wmv #-i 后面是输入文件名。-vcodec 后面是编码格式,h264 最佳,但 Windows 系统默认不安装。如果是要插入 ppt 的视频,选择 wmv1 或 wmv2 基本上万无一失。 附加选项:-r 指定帧率,-s 指定分辨率,-b 指定比特率;于此同时可以对声道进行转码,-acodec 指定音频编码,-ab 指定音频比特率,-ac 指定声道数,例如
三、VIP电影抓取
-
如果不是会员,vip电影直接在主流视频完整抓包是抓不到完整的m3u8的,所以我们用http://jx.618g.com/?url=视频地址,去解析。关于解析网站值得说明的是,如果把优酷上的某个电影网址输入,找到的不一定是你想要的,但一般不会错。比如找房祖名的某部电影,然后找到的竟然是该名的外国片。所以jx.618g.com是在全网找这部关键字的电影哦,所以并非如你所想。解析网站也不是把原网页的电影给解析出来,主流的视频vip电影哪有这么容易就解析出来。
-
下面我们开始爬取电影
- 用requests.get(url=url)获取m3u8文件,确实能获取到,但是有时那个.m3u8文件是不对的,因为真正的m3u8有时是动态加载的。所以要用抓包搜m3u8,然后真正的m3u8(几十K)。下载m3u8完毕后,合成电影有两种方式:
-
使用ffmpeg合成
ffmpeg -i "网址" -vcodec copy -acodec copy 电影.mp4
- 成功率不高,几千个ts文件,总有出错的,存在电影文件无法读取的隐患
-
使用python下载.ts文件并合成(推荐),请看源码讲解。
-
conf.py文件:配置文件
import re #''' # n_times用于在下载上千个ts文件时,对待个别未成功下载的文件需要再次运行main完成下载 # 每次运行一次main更改一次数字 #''' n_times=1 #''' # 永远不变 #''' #undo_list为未下载成功后生成的未下载序号 undo_list='未下载'+str(n_times)+'.txt' #new_m3u8_list为未下载成功后生成的待下载的.ts文件列表 new_m3u8_list='new_m3u8_list'+str(n_times)+'.txt' #''' # 每次下载一部电影都要更改 #''' #m3u8原始路径 path_m3u8 = '新扎师妹.m3u8' #下载地址的base目录 path_base='https://youku.cdn-tudou.com/20180611/6359_a2aef4b6/1000k/hls/' #root为电影ts文件下载目录 root = r"D:\movie\vip8" #对某部电影匹配正则运算,找到电影序号 ret = re.compile('de5a(.*?).ts')
-
create_m3u8_list.py:对m3u8源文件进行提取下载列表
from conf import path_m3u8 import os def m3u8_table(path_m3u8): m3u8_list=path_m3u8+'.txt' with open(path_m3u8,mode='r',encoding='utf-8')as f: if not os.path.isfile(m3u8_list): for line in f: if '.ts' in line: with open(m3u8_list, mode='a', encoding='utf-8')as f1: f1.write(line) return m3u8_list m3u8_list=m3u8_table(path_m3u8)
-
m3u8_main.py:运行的主文件
import requests import aiohttp import asyncio import re import os import time from time import sleep from conf import * from create_m3u8_list import m3u8_list#无论from还是直接import都会运行那个模块的 from functools import partial# partial(偏函数)可以把函数包装成另外一个函数 start=time.time() headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'} num=0#计算到第几个文件 async def get_request(sem,url): global num async with sem: async with aiohttp.ClientSession() as s: async with await s.get(url,headers=headers) as response: rep = await response.read()#read()返回的是byte类型的数据 num += 1 print('------------{}'.format(num)) return rep tasks = [] #最大并发数 sem = asyncio.Semaphore(50) # 向回调函数传递参数 def parse(line,task): try: res = ret.findall(line) ct = "%04d" % int(res[0]) rep = task.result() abs_path = os.path.join(root, ct + '.ts') with open(abs_path, mode='wb')as f1: f1.write(rep) except Exception as e: with open(undo_list,mode='a',encoding='utf-8')as f2: f2.write(ct+'\n') print(e) def run(path): with open(path,mode='r',encoding='utf-8')as f: for line in f: line=line.strip('\n') if 'http' not in line: line=path_base+line c = get_request(sem,line) task = asyncio.ensure_future(c) task.add_done_callback(partial(parse,line)) #还是要用回调的,传参的回调,一边下一边就能保存,比后面同步的后续处理要好,因为不需要task都完毕了才保存。 tasks.append(task) loop = asyncio.get_event_loop() loop.run_until_complete(asyncio.wait(tasks)) def main(): run(exec_list) with open(undo_list, mode='r', encoding='utf-8') as f3, open(m3u8_list, mode='r', encoding='utf-8')as f4, open(new_m3u8_list, mode='a', encoding='utf-8') as f5: whole = f4.readlines() for line in f3: line = line.strip('\n') f5.write(whole[int(line)]) print(time.time()-start) if __name__ == '__main__': # 第一遍执行文件exc_list选择m3u8_list,第二遍选择new_m3u8_list1,第三遍以此类推 if n_times==1: exec_list=m3u8_list else: exec_list='new_m3u8_list'+str(n_times-1)+'.txt' main() #后面不适用回调,为同步处理数据,感觉不好,一错俱错 # if __name__ == '__main__': # run(path) # for task in tasks: # try: # # 这个ct放try后面顺序就不会乱,否则,一旦有个不能下载,就一直保持连续,都不知道谁有问题不能下。 # ct += 1 # rep = task.result() # ct1 = "%04d" % int(ct) # abs_path = os.path.join(root,ct1+'.ts') # with open(abs_path, mode='wb')as f1: # f1.write(rep) # except Exception: # print(task.cancel()) # continue # print(time.time()-start)
-
m3u8_combine.py:合成ts文件为mp4格式
# 整合所有ts文件,保存为mp4格式 import os import sys import shutil def tsToMp4(): print("开始合并...") root = r"D:\Movie\vip7" outdir = r"D:\Movie\output" #很重要,一定要切换到目录下 os.chdir(root) if not os.path.exists(outdir): os.mkdir(outdir) os.system("copy /b *.ts new.mp4") os.system("move new.mp4 {}".format(outdir)) print("结束合并...") tsToMp4()
-
如果存在普通电影爬取所说的能看而时长错误,可以使用ffmpeg转码
强烈建议大家注册为会员观看vip电影,电影爬取仅为学习使用,不可作为商业用途,产生侵权等法律问题由当事人承担 书写不易,请留有余香
-