python之爬虫（爬取.ts文件并将其合并为.MP4文件——以及一些异常的注意事项）

Posted 2021-03-15 醉生梦死_0423

//20200115

最近在看“咱们裸熊——we bears”第一季和第三季都看完了，单单就第二季死活找不到，只有腾讯有资源，但是要vip……而且还是国语版……所以就瞄上了一个视频网站——可以在线观看（好的动漫喜欢收藏，就想着下载，第一季第三季都找到了资源，甚至第四季都有，就没有第二季……）

最近又正好在学python（为大数据打基础），就想着爬取视频，下面说说流程：

首先F12检查，先看看是否是直接嵌入链接（以防真的有笨笨的web主~），然后发现没有

然后就开始点开Networks检查抓包，发现有后缀为.m3u8的链接，就点开看了——有两层，第二层是一大堆格式化数据

然后再看剩下的包，都是.ts文件，再以.ts文件链接比对第二个m3u8包里的东西，发现正好对应，只是要拼接字符串获取真实链接，确认了思路之后就开始上手了（只是基础爬取，还未用到线程——其实用线程池技术可以更快，毕竟ts文件很多，也未用到代理，因为数据量还不算大，而且有手动限时）

理一下思路：

先从视频播放界面源码中获取每一集的链接，存在列表里备用（这个是显示的）---->然后获取每一个链接对应网址的源码——里边儿有一个ckplayer的div块，里边儿有第一层m3u8的链接 ----> 用beautifulSoup获取到这个链接（这个链接返回的是一个json，用json包转格式获取到第一层链接） -----> 访问这个链接获取到第二个m3u8链接（其中要拼接字符串）----->然后访问第二个链接获取到ts视频地址信息（也要拼接字符串——拼接完成后存储到列表中备用）----->使用文件输出流将ts文件下载并存在对应文件夹内

接下来就是等待了，等它下完，因为文件很细碎，所以耗时很久……可以考虑使用线程池改进（等我把大数据基础学完了再说，不急）

然后在每一个ts文件夹中用windows命令copy/b *.ts video.mp4将ts文件合并为mp4文件——可以嵌入到python代码中，不过我没有bat基础，就直接手动了，也不会太困难（大功告成！）

 

下面上源码：

source code：

#20200115
import requests
import json
import time
from bs4 import BeautifulSoup

headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36‘}

location = ‘https://www.****.cc‘

mid = "/1000k/hls"

last = "/index.m3u8"

url_pool = [‘/dianshiju/20740/player-1-1.html‘,
‘/dianshiju/20740/player-1-2.html‘,
‘/dianshiju/20740/player-1-3.html‘,
‘/dianshiju/20740/player-1-4.html‘,
‘/dianshiju/20740/player-1-5.html‘,
‘/dianshiju/20740/player-1-6.html‘,
‘/dianshiju/20740/player-1-7.html‘,
‘/dianshiju/20740/player-1-8.html‘,
‘/dianshiju/20740/player-1-9.html‘,
‘/dianshiju/20740/player-1-10.html‘,
‘/dianshiju/20740/player-1-11.html‘,
‘/dianshiju/20740/player-1-12.html‘,
‘/dianshiju/20740/player-1-13.html‘,
‘/dianshiju/20740/player-1-14.html‘,
‘/dianshiju/20740/player-1-15.html‘,
‘/dianshiju/20740/player-1-16.html‘,
‘/dianshiju/20740/player-1-17.html‘,
‘/dianshiju/20740/player-1-18.html‘,
‘/dianshiju/20740/player-1-19.html‘,
‘/dianshiju/20740/player-1-20.html‘,
‘/dianshiju/20740/player-1-21.html‘,
‘/dianshiju/20740/player-1-22.html‘]

len1 = len(url_pool)

def get_json_url(soup):
    url = soup.find("div",id = "iFrame_play").script.get(‘src‘)
    return location + url 

def get_first_url(json_url):
    r2 = requests.get(json_url,headers = headers,timeout = 10).text
    dic = json.loads(r2[r2.find(‘{‘):r2.find(‘}‘)+1])
    return dic[‘url‘]

def get_real_m3u8_url(url):
    index_of_last = url.rfind(‘/‘)
    the_forward = url[:index_of_last]
    return the_forward + mid

def get_the_ts_pack(url):
    r3 = requests.get(url,headers = headers,timeout = 10).text
    list_of_ts = r3.split(‘#‘)
    return list_of_ts

def get_each_ts_url(the_ts_pack,the_real_m38u_url):
    len2 = len(the_ts_pack)
    for i in range(0,len2):
        suffix = the_ts_pack[i].split(‘
‘)[1]
        the_ts_pack[i] = the_real_m38u_url + "/" + suffix 
    # return the_ts_pack
def mission(url,n,group):
    print(‘*****‘)
    response=requests.get(url,headers=headers,timeout = 10)
    print(‘-----‘)
    f=open("./"+str(group)+"/%03d.ts"%n,"wb")  
    f.write(response.content)      
    f.close()
    print("%03d.ts OK..."%n)

def download(the_ts_pack,group):
    len3 = len(the_ts_pack)
    count = 0
    i = -1
    while i != len3-1:
        try:
            i+=1
            mission(the_ts_pack[i],i,group)
        except (requests.exceptions.ConnectionError,requests.exceptions.ReadTimeout):
            count+=1
            print("第"+str(count)+"次等待")
            time.sleep(5)
            i-=1
        else:
            count=0
        time.sleep(0.5)
# for i in range(0,len1):
for i in range(12,22):
    completed_link = location + url_pool[i]
    r1 = requests.get(completed_link,headers=headers,timeout = 10)
    soup = BeautifulSoup(r1.text,"lxml")
    json_url = get_json_url(soup)
    time.sleep(0.1)
    the_first_mu38_url = get_first_url(json_url)
    time.sleep(0.1)
    the_real_m38u_url = get_real_m3u8_url(the_first_mu38_url)
    the_ts_pack = get_the_ts_pack(the_real_m38u_url + last)[5:-1]
    get_each_ts_url(the_ts_pack,the_real_m38u_url)
    print(the_ts_pack)
    download(the_ts_pack,i)
    print("第" + str(i) + "组ts视频已经下载完成")
    time.sleep(10)



    #

#
# list1 = str1.rfind(‘/‘)
# str2 = str1[:list1]
# print(str2)



# for i in range()

# for each in url_pool:
#     print(each)

#





# for n in range(1,167):
#     mission(link + str(8000+n)+".ts",n)
# dic = {‘%3A‘:‘:‘,‘%2F‘:"/"}
# str1 = str1.replace(‘%3A‘,‘:‘)
# str1 = str1.replace(‘%2F‘,‘/‘)
# print(str1)

#
# 
# r = requests.get(link,headers = headers,timeout = 10)
# text = r.text
# print(text)

# 

 

注：因为视频有版权，网站地址就不放出来了，重要的是思路，每个网站都不一样，都要重新分析

侵删！

 

关于python异常机制：

1.try-except代码块，就是如果有异常就执行except里的代码，然后如果有循环就跳过这一次（显然不符合要求，因为要下齐资源，所以要用到2）

2.try-except-else代码块，如果有异常，就执行except内代码，如果没有，执行完try中代码后，继续执行else中代码

另：except后跟的异常，可以是一个也可以是多个（多个使用“（..，..，..）”这种格式，不知道啥异常可以直接用Exception）

因为代码执行过程中，服务器有的时候会返回不了信息，就要异常来处理，不然每次都手动怎么称得上自动化呢~

 

希望对大家有所帮助

以上