用bs4和urllib 爬取视频

Posted 2020-10-31

实验对象：麦子学院

1、大部分视频信息都存在http://www.maiziedu.com/course/all/中，所有的视频信息都有自己的ID，第一次查询地址应该是在：‘http://www.maiziedu.com/course/‘ + id中

?

分析页面获取title ，为创建文件夹获取目录

    url_dict1 = {}
    url = ‘http://www.maiziedu.com/course/{}‘.format(num)
    page = urllib.request.urlopen(url)
    context = page.read().decode(‘utf8‘)
    title = re.search(‘<title>.*</title>‘, context)
    title = title.group().strip(‘</title>‘)
    if ‘500‘ in title:
        return {}
    else:
        #对文件夹进行进一步的精简
        if (len(title.split("：")) != 1):
            title = title.split("：")[1]
        title=title.split(‘-‘)[0]
        url_dict1[‘url‘] = url
        url_dict1[‘title‘] = title
        # urls.append(url_dict1)
    return url_dict1

?

获取字典包含url和title

这一部分就是进行分析，获取到页面所有章节的地址和标题

在python代码中用bs4 分析并获取播放页面链接

?

urls = []
page = urllib.request.urlopen(url)
context = page.read().decode(‘utf8‘)
soup = BeautifulSoup(context, "html.parser")
for tag in soup.find(‘ul‘, class_=‘lesson-lists‘).find_all(‘li‘):
    urls.append(tag.find(‘a‘).get(‘href‘).split(‘/‘)[-2])
return urls

返回所有章节的url和title
2、播放页面分析页面播放路径是从js中明文调用的，直接获取网站的title及视频调用的js文件中的url路径

page = urllib.request.urlopen(url)
context = page.read().decode(‘utf8‘)
soup = BeautifulSoup(context, "html.parser")
title = soup.find(‘div‘, class_=‘bottom-module‘).find_all(‘span‘, class_=‘title‘)[0]
title = re.compile(r‘<[^>]+>‘, re.S).sub(‘‘, str(title)) + ‘.mp4‘

ok = soup.find_all(‘script‘)[2]
return ok.string.split(‘"‘)[-2], title

此处获取title是为了保存文件时，按照网站显示内容进行重命名。3、下载文件

def report(count, blockSize, totalSize):
    j = ‘#‘
    percent = int(count * blockSize * 100 / totalSize)
    sys.stdout.write(str(percent) + ‘% [‘ + j * int(percent / 2) + ‘->‘ + "]\r")
    sys.stdout.flush()


def download(url, filename):
    # BASE_DIR = os.path.split(os.path.realpath(__file__))[0]
    saveFile = os.path.join(BASE_DIR, filename)
    if not os.path.exists(saveFile):
        urllib.request.urlretrieve(url, saveFile, reporthook=report)
        sys.stdout.write("\n\rDownload complete, saved as %s" % (saveFile) + ‘\n\r‘)
        sys.stdout.flush()
    else:
        print(‘文件已存在！跳过继续下载下一个‘)

?

report 在命令行显示下载进度

urlretrieve进行下载，也可以使用其他方式

?

总结：

使用urlib+bs4直接粗暴的下载麦子视频文件，有许多不如意的地方需要改进，因版权原因，不在此贴出源码