DC学院(https://www.dcxueyuan.com/index.html)是数据城堡(https://www.pkbigdata.com/)下面的一个教学平台,有许多大数据和人工智能领域的优质课程。
下面介绍如何使用python来爬取DC学院上已经购买的课程。
环境
开发环境
- window 7 x64
- python3.7 (Anacona 3)
- vscode 编辑器
使用的python包有 - requests 用于模拟http请求
- bs4 用来解析html文档
- re 正则表达式
- pycryptodome 用于AES解密
代码实现
这个代码主要实现了使用python爬取m3u8格式的加密文件,代码很简单
爬取m3u8文件也可以使用m3u8包,感兴趣的话可以试试,本代码使用的requests+re 来实现m3u8列表文件的解析。
直接看代码比较好。
#-*- coding:utf-8 -*-
import requests
from requests.packages import urllib3
import os,re
from Crypto.Cipher import AES
import hashlib
from bs4 import BeautifulSoup
urllib3.disable_warnings()
#全局变量,requests库请求使用headers参数
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0',
'Referer':'https://www.dcxueyuan.com/'
}
#用于保持会话
s = requests.Session()
#下载视频
#m3u8_url为视频的m3u8地址,filename为视频保存的文件名
def download_video(m3u8_url,filename):
global headers,s
res = s.get(m3u8_url,headers=headers,verify=False)
if res.status_code == 200:
data = res.text.strip()
#print data
#使用正则表达式提取出AES加密方法,密钥的url和iv
aes_method,key_url,iv_str = re.findall(r'#EXT-X-KEY:METHOD=(.*?),URI="(.*?)",IV=0x(.*?)\n',data)[0]
#提取所有的ts文件的uri
ts_uri_list = re.findall(r'(.*?.ts)\n',data)
#获取密钥
key_str = get_key(key_url)
print(key_str)
print(iv_str)
#print(ts_uri_list)
#下载视频内容
content=b''
for ts_url in ts_uri_list:
url_base = m3u8_url[:m3u8_url.rfind('/')+1]
res1 = s.get(url_base+ts_url,headers=headers,verify=False)
if res1.status_code == 200:
#对ts片断进行解密,拼接
content += decrypt_single_ts(res1.content,iv_str,key_str)
#保存为文件
open('%s' % filename,'wb').write(content)
print(filename,'下载完毕')
#根据key和iv对ts进行解密
#key_str为AES密钥,为十六进制字符串
#iv_str为AES的初始向量,为十六进制字符串
def decrypt_single_ts(ts,iv_str,key_str):
#将key和iv转化成bytes类型
iv = bytes.fromhex(iv_str)
key = bytes.fromhex(key_str)
#填充最后一个块
pad_len = AES.block_size - len(ts) % AES.block_size
if pad_len != AES.block_size:
ts = ts[:-pad_len] + bytes([0] * pad_len)
#解密
cipher = AES.new(key, AES.MODE_CBC, iv=iv)
out_data = cipher.decrypt(ts)
#提出解密后的真实数据
if pad_len != AES.block_size:
out_data = out_data[:-pad_len]
return out_data
#根据密钥的url获取密钥
def get_key(key_url):
res = s.get(key_url,headers=headers,verify=False)
if res.status_code == 200:
return res.content.hex()
return ''
#计算x的md5值
def md5(x):
m = hashlib.md5()
m.update(x.encode('utf-8'))
return m.hexdigest()
#下载课程资料
#url为课程资料的url,filename为文件名
def download_info(url,filename):
#其文件为pdf
if filename.endswith('.pdf'):
res = s.get(
url,
headers=headers,
verify=False
)
if res.status_code == 200:
open(filename,'wb').write(res.content)
print(filename,'下载完毕')
#若文件为html
if filename.endswith('.html'):
res = s.get(
url,
headers=headers,
verify=False
)
if res.status_code == 200:
content = res.text
#爬取页面中的css
for x in BeautifulSoup(res.text,'lxml').find_all('link'):
url = x['href']
target_filename = 'data\\static\\%s' % md5(url)
open(target_filename,'w',encoding='utf-8').write(s.get(url,headers=headers,verify=False).text)
content = content.replace(url,'../../static/%s' % md5(url))
print(res.encoding)
open(filename,'w',encoding=res.encoding).write(content)
print(filename,'下载完毕')
def main():
#登陆
res = s.post(
'https://www.dcxueyuan.com/api/user/common/login.json',
headers = headers,
verify=False,
data={
'username':'xxxxxxx',#用户名
'password':'xxxxxxx'#密码
}
)
if res.status_code == 200:
if res.json()['login']:
print('登陆成功')
userid = res.json()['data']['loginUserIds']['id']
print('userid',userid)
#请求该用户购买的所有课程
res = s.get(
'https://www.dcxueyuan.com/api/common/center/courseCertificateList.json',
headers=headers,
verify=False,
params={
"pageNo":"1","pageSize":"100","userId":userid}
)
if res.status_code == 200:
print(res.json())
for x in res.json()['data']['certificateList']:
#课程名称
course_name = x['name']
#课程id
course_id = x['course_id']
print(course_name)
res = s.get(
'https://www.dcxueyuan.com/api/common/course/getCourseCatalogue.json',
headers = headers,
verify = False,
params={
"courseId":course_id}
)
if res.status_code == 200:
for i,x in enumerate(res.json()['data']['courseCatalogue']):
#章的名字
catalogue = x['name']
catalogue = '第%d章 %s' % (i+1,catalogue)
print(catalogue)
for j,y in enumerate(x['trainClassMapList']):
#节的名称
class_name = y['name']
#课时id
class_id = y['id']
#请求课程的下载连接
res = s.get(
'https://www.dcxueyuan.com/api/user/getVideoUrl.json',
headers=headers,
verify=False,
params = {
"classId":class_id,"pixel":"1080P","videoFrom":"2"}
)
if res.status_code == 200:
#print(res.json())
#print(res.json()['data']['class']['name'])
#构造课时的完整名称
class_name = '%d-%d %s'%(i,j+1,class_name)
print(class_name)
#课时的视频m3u8地址
m3u8_url = res.json()['data']['url']
print(m3u8_url)
#存储的路径
path = 'data\\%s\\%s' % (course_name,catalogue)
#若不存在该路径,创建这个路径
if not os.path.isdir(path):
os.makedirs(path)
#视频文件名
filename = '%s\\%s.mp4' % (path,class_name)
#若该视频文件不存在,下载它
if not os.path.isfile(filename):
download_video(m3u8_url,filename)
#请求课程资料的url
res = s.get(
'https://www.dcxueyuan.com/api/user/course/downDataOuter.json',
headers=headers,
verify=False,
params={
"dataId":class_id}
)
if res.status_code == 200:
#print(res.json())
#课程资料的title
x = res.json()['data'].get('file','')
if x:
#课程资料的文件名
filename = '%s\\%s' % (path,x['name'])
try:
#下载课程资料
download_info(x['path'],filename)
except Exception as e:
#报错的话不处理
print(e)
pass
main()
参考资料
- m3u8格式
https://www.jianshu.com/p/e97f6555a070