抖音爬虫从0到1-第三弹:爬取抖音用户详细数据
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了抖音爬虫从0到1-第三弹:爬取抖音用户详细数据相关的知识,希望对你有一定的参考价值。
参考技术A 相关文章:
抖音 x-gorgon 03 免费生成接口 抖音6.3.0版本
抖音爬虫从0到1-第一弹:环境配置
抖音爬虫从0到1-第二弹:获取抖音用户数据
前面介绍了分析了抖音请求header中的 X-gorgon的获取方法 ,同时在分析 获取抖音用户数据的时候 ,我们发现爬取抖音用户的数据需要使用用户的user_id和sec_user_id,我们通过抓包工具获取用户的id以及sec_user_id,然后通过用户的关注列表和follow列表获取更多的用户的user_id和sec_user_id,下面我将介绍一下如何根据user_id和sec_user_id来获取抖音用户的详细数据。
首先在搭建好的环境中通过Fiddle抓取用户数据包。
我们知道了请求的api以及请求头里面都包含了哪些信息,我们就可以通过手动构造对应的请求参数来爬取用户的数据了。我已经在 前面的文章 获取到了 1W+ 的用户的 uid 以及 sec_user_id 的数据了,然后我们就可以通过这些数据来爬取用户的详细数据。
在文章 抖音爬虫从0到1-第二弹:获取抖音用户数据 我们已经介绍了爬取抖音关注列表的api及其构造方法,其实获取用户详细信息和获取用户的关注列表的api基本一致,主要都是需要我们自行填充用户的user_id以及用户的sec_user_id还有一大堆的时间戳信息,其他的信息都是不变的。下面我们构造获取用户详细信息的api
上文我们已经分析了请求头,请求头的构造也比较方便,大部分内容都是固定的,需要我们填充的主要还是几个时间戳以及对应的X-Gorgon,其中X-Gorgon的构造方法比较复杂,在文章“ 抖音 x-gorgon 03 免费生成接口 抖音6.3.0版本 ”中我已经提供了一个生成X-Gorgon的接口,但是要注意填入正确的Cookie和Token你才能获得可用的X-Gorgon,否则你的Gorgon就是不可用的。下图是请求头里面的主要信息:
下面我写了一个构造请求头的函数:
根据上面对响应数据的分析,其对应的响应数据是json格式的,而且数据特别多,分析了一下,我找了一些对我比较有用的数据:
以上就是爬取用户信息的全部内容,码字不易,还请点赞关注,有任何问题请留言.
python爬取抖音短视频
好久也没写过博客了,距离上一写的博文到现在也过去了四年。这段时间Urumqi yq突然爆发,单位暂时也不让回。一个人宅着没事就刷刷抖音看看短视频,作为一位有故事的男人【狗头】,抖音推荐的视频还是挺符合个人口味的,于是就萌生了把这些好看的视频全部保存的想法。之前喜欢用一些免费的公众号小程序去下载无水印的视频,可是没过多久这些小程序不是失效就是需要变相付费下载,最为一名资深白嫖党【狗头】岂是能忍的,然后就各种查资料,一顿操作猛如虎后,也没有什么简便方法。还是自己写程序把,可是自从工作以来最多就用用office三件套,编程都荒废了,用python写个hello world都会把单词拼错【汗】,没关系我们可以学,大不了从头再来,个人自学、在B站上学、面向github编程学。以下省略千余字学习过程。
PS:本人也是编程新手写作此文纯当个人学习记录,代码只是满足个人需求,以下内容若有不严谨之处希望各位看官老爷们不吝啬赐教。
好了不废话了开始进入正题
- 获得抖音首页推荐视频信息然后下载视频(无水印)
- 获取某抖主发布的全部视频信息然后下载视频(无水印)
- 获取自己或他人喜欢视频的信息然后下载视频(无水印)
- windows环境下搭建好python编程环境,本人使用python3.8.3版本
- 好用的编辑器如pycharm、vscode等
- 安卓模拟器、或者实体机也行
- 抖音app本人使用抖音极速版(v10.8.0)
- https抓包工具charles(可以不用)、 mitmproxy [详情]
- 假设你已经在pc端和模拟器上配置好charles和mitmproxy证书,确保已经可以正常
抓取http及https数据包 - 一颗不厌其烦的心
mitmproxy is a free and open source interactive HTTPS proxy.
安装:pip install mitmproxy
安装后有3个命令行工具:mitmproxy, mitmdump, mitmweb
本文只使用mitmdump查看流量数据(请求与响应)、执行自定义脚本
在配置好mitmproxy之后,在控制台上输入mitmdump并在模拟器上打开抖音app,mitmdump会出现手机上的所有请求。经过一番分析实践,查找资料发现有如下三个api接口,分别请求用户发布的视频信息、
请求首页推荐视频信息,请求用户喜欢的视频的信息。
post_api = \'https://aweme-lq.snssdk.com/aweme/v1/aweme/post/......\' feed_api = \'https://aweme-lq.snssdk.com/aweme/v2/feed/......\' favo_api = \'https://aweme-lq.snssdk.com/aweme/v1/aweme/favorite/......\'
然后这三个请求对应的response里面就是我们需要的内容,通过分析response我们发现post、favo
返回是json格式的数据包。feed返回的是protobuf的数据包。所以我们只需要在自定义的mitmproxy
脚本中根据app所以请求中的关键字获取相对应的response数据包即可。
通过分析获取到的数据包、然后问题出现了:json格式的数据包python很方便操作,主要是如何解析protobuf的数据包。
然后又经过一番各种Google,结果发现:protobuf 有一套自己的语法。不了解 Protobuf 协议语法和用法的话也无法反解数据。也就是说在没有那个抖音自定义的( .proto 文件)情况下,基本上是无法逆序列化解析。经过一番资料查找各种踩坑之后,借助工具,使用google提供的的protoc编译工具,这个工具提供反解析参数。这样就能获取protobuf数据包的大致信息。
protoc –decode_raw < douyin_feed.bin > 1.txt
我们可以对比解析前和解析后的数据对比。
解析前
解析后
诸如此类的url地址。我们大致可以确定这很可能就是视频的分享地址,通过一番实践论证后果真如此,
那么,我们直接请求这些分享地址,在浏览器中打开按F12打开开发者模式,观察里面的ajax异步请求
的数据包,复制视频play_addr,再打开后发现播放的视频仍然是有水印的。然后又经过一番查找资料,
无果。好吧在网上找了个某第三方抖音分享视频下载网站,简单分析了它的接口,照着网站js加密参数 。后来偶然间发现了一篇帖子(不好意思
那部分自己也能正常获取请求结果,返回视频无水印下载地址
实在是想不起了。。。)大致意思是把里面链接playwm改成play,用手机端UA就能获得无水印地址了,试了一下果真如此。
经过上面的分析之后,我们开始码代码把。
然后问题出现了,由于mitmdump只是加载我们的脚本程序,如果把所有的代码都堆在脚本程序里
会造成脚本运行缓慢阻塞网络请求,开始想在脚本里写个多线程去执行耗时操作,然后就被教育了。
好吧那么把我们需要的信息写入数据库中,然后再写个程序读取数据库然后再去下载视频总没问题吧。
然后经过一番实践发现,获取的视频链接都有时效性,过段时间就会失效。那么就没有什么办法一遍
浏览视频,一边下载视频吗?答案是肯定的,后来想到用socket套接字在两个程序中进行通信。
用我们的脚本程序A获取视频信息用套接字发送到视频下载程序B,然后在程序B中开个线程用于接收
套接字信息,再开几个线程下载视频,程序B中不同线程之间用Queue()队列实现生产消费模式。
ok,主体框架搭好了,我们开始吧。talk is cheap show me the code…
""" =================================================== -*- coding:utf-8 -*- Author :GadyPu E_mail :Gadypy@gmail.com Time :2020/8/ 0004 下午 12:03 FileName :mitmproxy_douyin_get_url_scripts.py ==================================================== """ import mitmproxy.http import json import time import struct from socket import * post_api = \'https://aweme-lq.snssdk.com/aweme/v1/aweme/post/\' feed_api = \'https://aweme-lq.snssdk.com/aweme/v2/feed/\' favo_api = \'https://aweme-lq.snssdk.com/aweme/v1/aweme/favorite/\' def send_data_to_server(header_dict, type): \'\'\' :param header_dict 获取到的数据包字典 :param type 原视频类型,feed,post,favo 与服务端通信发送数据,使用自定义协议 每次调用就创建一个套接字,用完就关闭 \'\'\' tcp_client_socket = None host = \'127.0.0.1\' port = 9527 address = (host, port) try: tcp_client_socket = socket(AF_INET, SOCK_STREAM) tcp_client_socket.connect(address) if type == \'post\' or type == \'favo\': json_data = json.dumps(header_dict) json_bytes = json_data.encode(\'utf-8\') tcp_client_socket.send(struct.pack(\'i\', len(json_bytes))) tcp_client_socket.send(json_bytes) #print(header_dict) elif type == \'feed\': #先发送协议头用struct打包,包含要发送的数据大小 data_len = header_dict[\'size\'] byte_arr = header_dict[\'content\'] new_dict = { \'type\': \'feed\', \'size\': data_len } json_data = json.dumps(new_dict) json_bytes = json_data.encode(\'utf-8\') tcp_client_socket.send(struct.pack(\'i\', len(json_bytes))) tcp_client_socket.send(json_bytes) chunk_size = 1024 start = 0 end = 1 * chunk_size #print(\'new_dict...........................:\', new_dict) #发送protubuf数据,每次发送1024个字节 while True: if data_len // chunk_size > 0: read_bytes = byte_arr[start : end] start = end end += chunk_size data_len -= chunk_size tcp_client_socket.send(read_bytes) #print(read_bytes) else: read_bytes = byte_arr[start : ] tcp_client_socket.send(read_bytes) break except: pass if tcp_client_socket: tcp_client_socket.close() def get_local_time(create_time): \'\'\' :param create_time 原视频的发布时间,linux时间戳 :return: 返回年月日格式的日期 \'\'\' time_local = time.localtime(int(create_time)) pub_date = time.strftime("%Y-%m-%d", time_local) return pub_date def response(flow: mitmproxy.http.HTTPFlow): if flow.request.url.startswith(post_api) or flow.request.url.startswith(favo_api): if flow.response.status_code == 200: url_json = json.loads(flow.response.text) if url_json and url_json[\'aweme_list\']: for aweme_list in url_json[\'aweme_list\']: aweme_id = aweme_list[\'aweme_id\'] create_time = aweme_list[\'create_time\'] create_time = get_local_time(create_time) type = \'post\' if flow.request.url.startswith(post_api) else \'favo\' header_dict = { \'type\': type, \'aweme_id_create_time\': aweme_id + \'_\' + create_time, \'nickname\': aweme_list[\'author\'][\'nickname\'], \'play_url\': aweme_list[\'video\'][\'play_addr\'][\'url_list\'][0] } send_data_to_server(header_dict, type) elif flow.request.url.startswith(feed_api): if flow.response.status_code == 200: procbuf = flow.response.content feed_dict = { \'type\': "feed", \'content\': procbuf, \'size\': len(procbuf) } #print(\'procbuf len................\', len(procbuf)) send_data_to_server(feed_dict, \'feed\') addons = { response() }
4.2 辅助程序
""" =================================================== -*- coding:utf-8 -*- Author :GadyPu E_mail :Gadypy@gmail.com Time :2020/8/ 0004 下午 FileName :parase_data.py ==================================================== """ import os import re import json import time import requests import random import hashlib from lxml import etree import math from decimal import Decimal import warnings warnings.filterwarnings(\'ignore\') \'\'\' class Get_real_play_addr(object): def __init__(self): self.request_url = \'http://3g.gljlw.com/diy/ttxs_dy2.php?\' self.headers = { \'User-Agent\': \'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36\' } def parase_play_addr(self, url): paly_url = \'\' r = str(random.random())[2:] s = hashlib.md5((url + \'@&^\' + r).encode()).hexdigest() params = { \'url\': url, \'r\': r, \'s\': s } try: response = requests.get(url = self.request_url, headers = self.headers, params = params) if response.status_code == 200: content = response.content.decode(\'utf-8\') html = etree.HTML(content) paly_url = html.xpath(\'//source/@src\')[0] if paly_url: return paly_url except: print("network error cannot parase play_addr...") return None \'\'\' # 打开protobuf文件,用正则表达式匹配出所有的分享链接地址 class Get_url_from_protobuf(object): def __init__(self): self.pat = r\'(?<=\\")https://www.iesdouyin.com/share/video/.*(?=\\")\' self.command = r\' --decode_raw <\' def get_url(self, exe_path, file_path): try: fp = os.popen(exe_path + self.command + file_path) if fp: src = fp.read() fp.close() url_list = re.findall(self.pat, src) url_list = set(url_list) return url_list except: print(\'decode protobuf failed...\') return None def get_local_time(create_time): time_local = time.localtime(int(create_time)) pub_date = time.strftime("%Y-%m-%d", time_local) return pub_date # 获取分享视频的下载地址 def Get_real_play_addr_by_web(aweme_id): headers = { \'User-Agent\': \'Mozilla/5.0 (Linux; Android 6.0; ZTE BA520 Build/MRA58K; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/55.0.2883.77 Mobile Safari/537.36\' } api_url = \'https://www.iesdouyin.com/web/api/v2/aweme/iteminfo/?item_ids=\' + aweme_id response = requests.get(url = api_url, headers = headers, verify = False) if response.status_code == 200: response_json = response.json() play_addr = response_json[\'item_list\'][0][\'video\'][\'play_addr\'][\'url_list\'][0] create_time = response_json[\'item_list\'][0][\'create_time\'] create_time = get_local_time(create_time) play_addr = play_addr.replace(\'playwm\', \'play\', 1) # 返回下载地址和视频的发布时间 return (play_addr, create_time) return None, None def Get_file_size(e: int) -> str: if e <= 0: return \'\' t = ["B", "KB", "MB", "GB", "TB", "PB", "EB", "ZB", "YB"] n = math.floor(math.log2(e) / math.log2(1024)) return str(Decimal(e / math.pow(1024, n)).quantize(Decimal("0.00"))) + t[n] #\'https://www.iesdouyin.com/share/video/6854870744690625805/?region=CN&mid=6854870758414781191\' #print(Get_real_play_addr_by_web("6854870744690625805"))
4.3 下载程序
""" =================================================== -*- coding:utf-8 -*- Author :GadyPu E_mail :Gadypy@gmail.com Time :2020/8/ 0004 下午 FileName :douyin_video_downloads.py ==================================================== """ import requests import json import os import time import sys import threading import struct from queue import Queue from socket import * from parase_data import Get_url_from_protobuf from parase_data import Get_real_play_addr_by_web from parase_data import Get_file_size import warnings warnings.filterwarnings("ignore") headers = { \'User-Agent\': \'Mozilla/5.0 (Linux; Android 6.0; ZTE BA520 Build/MRA58K; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/55.0.2883.77 Mobile Safari/537.36\' } que = Queue() lock = threading.Lock() chunk_size = 1024 #下载线程 def Download(path, index): while True: global que if que.empty(): print("No.{} thread is waiting for data...".format(index)) data = que.get() dir_name = data[\'type\'] file_name = data[\'aweme_id_create_time\'] dir_path = \'\' if dir_name == \'feed\': play_url, create_time = Get_real_play_addr_by_web(data[\'aweme_id_create_time\']) if (not play_url) or (not create_time): continue file_name = file_name + \'_\' + create_time dir_path = os.path.join(path, dir_name) else: dir_path = os.path.join(path, dir_name, data[\'nickname\']) play_url = data[\'play_url\'] global lock with lock: if not os.path.exists(dir_path): os.makedirs(dir_path) file_path = os.path.join(dir_path, file_name + \'.mp4\') read_size = 0 with lock: if os.path.exists(file_path): continue try: response = requests.get(url = play_url, headers = headers, verify = False) if response.status_code == 200: #print(response.headers) total_szie = int(response.headers[\'Content-Length\']) print("NO.{} thread is downloading... {} filesize:{}".format(index, data[\'aweme_id_create_time\'] + \'.mp4\', Get_file_size(total_szie))) t_1 = time.time() with open(file_path, "wb") as fp: for data in response.iter_content(chunk_size = chunk_size): if data: fp.write(data) read_size += chunk_size #print(\'No.{} threading is downloading: {} ...: {}%\'.format(index, file_path, str(round(read_size / total_szie * 100, 2)))) print("No.{} thread finshed! total cost: {}s".format(index, str(round(time.time() - t_1, 2)))) time.sleep(0.2) else: print("cannot conneted with the servers...") except: print("downloading %s failed... network error please try againg"%play_url) #que.put(data) # 服务端用于接收mitm脚本发送的数据 def run(exe_path, file_path): PORT = 9527 HOST = \'\' address = (HOST, PORT) tcp_server_socket = socket(AF_INET, SOCK_STREAM) tcp_server_socket.bind(address) print("the server is lunching, listeing the port {}...".format(address[1])) tcp_server_socket.listen(5) while True: try: client_socket, client_address = tcp_server_socket.accept() print(\'the client{} linked:{}\'.format(client_address, time.asctime(time.localtime(time.time())))) data = client_socket.recv(4) header_size = struct.unpack(\'i\', data)[0] header_bytes = client_socket.recv(header_size) header_json = json.loads(header_bytes.decode(\'utf-8\')) if header_json[\'type\'] == \'post\' or header_json[\'type\'] == \'favo\': que.put(header_json) else: chunk_size = 1024 read_size = 0 total_size = header_json[\'size\'] with open(file_path, \'wb\') as fp: while read_size < total_size: data = client_socket.recv(chunk_size) if data: fp.write(data) read_size += len(data) probuf = Get_url_from_protobuf() url_list = probuf.get_url(exe_path, file_path) for url in url_list: try: feed_dict = { \'type\': \'feed\', \'feed_url\': url, \'aweme_id_create_time\': url[38: 57] #只是视频的id,并没有发布时间 } que.put(feed_dict) except: continue client_socket.close() except: tcp_server_socket.close() print("never run here...") if __name__ == "__main__": dir_path = sys.argv[1] if dir_path.endswith(\'/\'): dir_path += \'/\' if not os.path.exists(dir_path): os.makedirs(dir_path) #dir_path = r\'C:\\Users\\Administrator\\Desktop\\pytho_src\\douyin\\videos\' thread_list = [] for i in range(4): if i == 0: thread_list.append(threading.Thread(target = run, args = (r\'.\\protobuf\\protoc.exe\', r\'.\\probuf.bin\', ))) else: thread_list.append(threading.Thread(target = Download, args = (dir_path , i + 1, ))) thread_list[i].setDaemon = True [i.start() for i in thread_list] [i.join() for i in thread_list] # #run(r\'.\\protobuf\\protoc.exe\', r\'.\\probuf.bin\') # print("finish!")
五、使用方法
5.2 下载程序用法
六、运行效果
七、参考链接
1、https://blog.csdn.net/doctor_who2004/article/details/105718889
2、https://www.jianshu.com/p/af381ef134e2
3、https://blog.csdn.net/mp624183768/article/details/80956368
八、下一步计划
差不多就这么多,之前还打算用Appiun实现自动滑动,可又要下一大堆软件,自己的小电脑跑个模拟器已经不堪重负想想还是算了吧。受条件所限,自己的手机上没有进行测试(不然躺床上刷视频pc端程序挂后台运行,手机端浏览的视频基本上都能下载),只是在模拟器上运行,然后就没然后了。
大家有啥疑问的欢迎在评论区留言。
以上是关于抖音爬虫从0到1-第三弹:爬取抖音用户详细数据的主要内容,如果未能解决你的问题,请参考以下文章
怎么用Python爬取抖音小视频? 资深程序员都这样爬取的(附源码)