前言
大家早好、午好、晚好吖 ❤ ~
我给大家准备了一些资料，包括:
2022最新Python视频教程、Python电子书10个G
（涵盖基础、爬虫、数据分析、web开发、机器学习、人工智能、面试题）、Python学习路线图等等
直接在文末名片自取即可！
环境使用:
-
Python 3.8
-
Pycharm
-
谷歌浏览器
谷歌驱动 —> 驱动版本要和浏览器版本最相近 <大版本一样, 小版本最相近>
模块使用:
-
requests >>> pip install requests
-
selenium >>> pip install selenium==3.141.0 <需要浏览器和浏览器驱动>
默认安装 4.0版本 语法上面有点区别
-
re
-
json
卸载模块: pip uninstall selenium 卸载模块
安装python第三方模块:
-
win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
-
在pycharm中点击Terminal(终端) 输入安装命令
基本思路流程: <通用>
一. 数据来源分析:
-
明确需求:
-
采集什么数据内容
I. 视频播放链接
II. 视频标题
-
-
通过浏览器自带工具: 开发者工具, 进行抓包分析
-
打开开发者工具: F12 / 鼠标右键点击检查选择network
-
刷新网页: 让本网页数据内容重新加载一遍
-
分析/找到 视频播放链接在哪里
-
选择 media <媒体文件> 可以直接看到 视频播放链接
-
通过搜索分析可以直接找到 视频播放链接/ 视频标题
-
-
二. 代码实现步骤:
-
发送请求, 模拟浏览器对于url地址发送请求
-
获取数据, 获取服务器返回响应数据
开发者工具: response <网页源代码>
-
解析数据, 提取我们想要的数据内容
-
视频标题
-
视频播放链接
-
-
保存数据, 把视频内容保存本地文件夹
代码展示
导入模块
导入数据请求模块
import requests
# 导入正则表达式
import re
# 导入json模块
import json
# 导入格式化输出模块
from pprint import pprint
# 导入自动化测试模块
from selenium import webdriver
# 导入时间模块
import time
创建浏览器对象, 实例化对象 自动打开浏览器
driver = webdriver.Chrome()
访问网址
“”“执行页面滚动的操作”“”
def drop_down():for x in range(1, 40, 4): # 1 3 5 7 9 在你不断的下拉过程中, 页面高度也会变的time.sleep(1)j = x / 9 # 1/9 3/9 5/9 9/9# document.documentElement.scrollTop 指定滚动条的位置# document.documentElement.scrollHeight 获取浏览器页面的最大高度js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % jdriver.execute_script(js)
可以直接定位元素提取内容
lis = driver.find_elements_by_css_selector('.Eie04v01')
for li in lis:url = li.find_element_by_css_selector('a').get_attribute('href')
-
发送请求, 模拟浏览器对于url地址发送请求
-
<Response [200]> 响应对象, 表示请求成功
仅表示请求成功, 但是不代表一定得到数据<你想要的数据>
-
没有得到我们想要的数据内容:
原因: 是因为代码被服务器识别出来了, 是爬虫程序
解决:把代码伪装成浏览器去发送请求 —> headers 请求头
-
print(url)time.sleep(1)
确定请求链接 <视频播放页面>
模拟伪装
headers = {# user-agent 用户代理 表示浏览器基本身份信息'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'}
发送请求
response = requests.get(url=url, headers=headers)
-
获取数据, 获取服务器返回响应数据
开发者工具: response <网页源代码>
-
解析数据, 提取我们想要的数据内容
-
视频标题
-
视频播放链接
-
正则表达式, 你要获取什么数据, 直接复制过来, 然后要的数据内容用 (.*?) 表示, 会直接给返回相应的内容
.*? 表示可以匹配任意字符串, 除了\n换行符以外
提取标题
title = re.findall('<title data-react-helmet="true">(.*?)</title>', response.text, re.S)[0]
替换一下特殊字符
title = re.sub(r'[\/:*?"<>|\n]', '', title)
提取视频信息
video_info = re.findall('<script id="RENDER_DATA" type="application/json">(.*?)</script', response.text)[0]
数据进行解码
html_data = requests.utils.unquote(video_info)
转换数据类型
json_data = json.loads(html_data)
键值对取值, 根据冒号左边的内容[键], 提取冒号右边的内容[值]
video_url = 'https:' + json_data['41']['aweme']['detail']['video']['bitRateList'][0]['playAddr'][0]['src']print(title)print(video_url)
- 保存数据
video_content = requests.get(url=video_url, headers=headers).contentwith open('video\\' + title + '.mp4', mode='wb') as f:f.write(video_content)
尾语 💝
有更多建议或问题可以评论区或私信我哦！一起加油努力叭(ง •_•)ง
喜欢就关注一下博主，或点赞收藏评论一下我的文章叭！！！
