爬取b站排行视频

这个b站之前一直想爬，看了几篇关于这个的博客，发现好难，今天耐不住就找了比较新的一篇博客讲述爬取b站视频。本来以为还要破解js加密获取加密参数，发现并没有这么复杂，视频下载的连接都在网页里保存，ε=(´ο｀*)))唉。话不多说开始搞起。

所需环境：pycharm+python3.6+requests+re+pyquery+fiddler (re是提取网页里面下载的连接，其他的都不好提取出来，pyquery是提取打开视频的网页url)

1 分析api：

随便打开个视频网页，打开fiddler查看http请求，等了一会（要几分钟）fiddler才出现视频的资源。

这个就是加载的资源。

查看他的请求头：

先写一个简单的程序，url填写这个MP4的地址，等待一段时间发现可以下载

def download(url):
    url='http://172.31.189.3:8081/IXC453f8210903262fee2d72344dfc78312/upgcxcode/03/07/51430703/51430703-1-32.flv?hfa=2034783019'
    headers={
        'Host': '172.31.189.3:8081',
        'Connection':'keep-alive',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language':'zh-CN,zh;q=0.9'
    }
    h=requests.get(url=url,headers=headers,verify=False)
    with open('信息.mp4','wb') as f:
        f.write(h.content)

    print('下载完成')

然后我们开始寻找这个url，这个要么是js产生，要么网页源码里就有，从简单开始验证，打开网页源代码，发现许多，随便复制粘贴一个，在浏览器打开，发现是在下载视频。那就直接找到了，真没意思，（这个url可能时间长了过期，我也没有验证）

代码：

from pyquery import PyQuery as pq
import requests
import re
def download():
    url='http://cn-jszj-dx-v-06.acgvideo.com/upgcxcode/24/16/47791624/47791624-1-32.flv?expires=1534830300&platform=pc&ssig=d-qNS9b7EeC8itVRtJHWOQ&oi=976830102&nfa=uTIiNt+AQjcYULykM2EttA==&dynamic=1&hfa=2034806275&hfb=Yjk5ZmZjM2M1YzY4ZjAwYTMzMTIzYmIyNWY4ODJkNWI=&trid=d65441f273b6440bbe3d2a57bcb5c66a&nfc=1'
    headers={

        'Connection':'keep-alive',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language':'zh-CN,zh;q=0.9'
    }
    h=requests.get(url=url,headers=headers,verify=False)
    with open('信息2.mp4','wb') as f:
        f.write(h.content)

    print('下载完成')
def getHtml(url):
    headers={
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'
    }
    html=requests.get(url,headers,verify=False)

    return html.text
def getListUrl(txt):
    doc=pq(txt)
    items=doc('#app > div.b-page-body > div > div.rank-container > div.rank-body > div.rank-list-wrap > ul > li > div.content > div.info > a').items()
    list=[]
    for item in items:
        dic={}
        title=item.text()
        href=item.attr('href')
        dic[title]=href

        list.append(dic)
    return list
def parse_get_url(txt):
      pattern=re.compile(r'window.__playinfo__={(.*?)}',re.S)
      content=re.findall(pattern,txt)
      p=re.compile(r'"url":"(.*?)",',re.S)
      url=re.findall(p,content[0])
      print(url)
      return url
 
def save_toFile(txt):
    f=open("b站热门排行视频.txt",'a',encoding='utf-8')
    f.write(txt)
    f.write('\n')
    f.close()
if __name__ == '__main__':
    t=getHtml('https://www.bilibili.com/ranking?spm_id_from=333.334.banner_link.1')
    urls=getListUrl(t)
    for url in urls:
        dic={}
        print(type(url))
        for title in url:
            print(title)
        url=list(url.values())[0].replace('//','')
        print(url)
        url='https://'+url

        t=getHtml(url)
        certainUrl=parse_get_url(t)
        dic[title]=certainUrl
   
        save_toFile(dic.__str__())

我并没有使用下载的那个函数，只是保存了标题和下载地址。

猜你喜欢