Python基于Selenium实现爬取网络视频
一、什么是爬虫爬虫： 一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。
从技术层面来说就是：通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用。
二、Selenium实现爬虫的基本流程
1.分析网页结构
2.连接浏览器
3.打开指定的页面
4.模拟用户行为
5.提取数据
三、环境搭建
所谓工欲善其事必先利其器，所以我们先配置好我们的开发环境。
1.前置条件
· Windows系统
· 已安装Python3
· 已安装pip包管理工具
2.Selenium安装
在cmd命令行中，输入：pip install selenium
1).安装
http://www.51testing.com/attachments/2021/04/15326880_202104251349121ubiV.png
因为这里已经安装了，所以提示已满足。
2).验证
http://www.51testing.com/attachments/2021/04/15326880_202104251349201RO5f.png
首先输入python，切换到python命令交互模式，在输入import selenium，如果无报错，则证明已经安装成功。
3.ChromeDriver安装
我们使用Geogle浏览器配合Selenium使用，所以我们需要安装ChromeDriver驱动的配置。
1).安装
首先，我们需要先确认自己浏览器的版本，打开Chrome浏览器->帮助->关于Goolge Chrome(G)
http://www.51testing.com/attachments/2021/04/15326880_202104251349311JmbF.png
其次，按照自己的Chrome浏览器版本，去找相邻近的ChromeDriver驱动版本；地址：https://npm.taobao.org/mirrors/chromedriver/
http://www.51testing.com/attachments/2021/04/15326880_202104251349421kqo5.png
点击该目录，然后下载红框标注的版本就行。
http://www.51testing.com/attachments/2021/04/15326880_202104251350531X6zC.jpg
下下来之后是一个压缩包，解压缩得到一个exe文件，这个就是我们需要的，我们可以直接放到python安装环境的Scripts目录下，当然也可以放在其他你想放置的目录。
http://www.51testing.com/attachments/2021/04/15326880_202104251351101pVoN.png
2).验证
因为我直接复制到python安装环境的Scripts目录下了，所以直接输入ChromeDriver，如下提示既没有问题。
http://www.51testing.com/attachments/2021/04/15326880_202104251351311R5wF.png
然后我们验证是否可以驱动浏览器。
http://www.51testing.com/attachments/2021/04/15326880_202104251351411L7dz.png
如果弹出一个空白的浏览器既证明配置无问题。
四、示例：爬取国家中小学网络云平台所有视频数据
网页地址：https://tongbu.eduyun.cn/tbkt/tbkthtml/1.html
1. 分析网页结构
首先我们先看下我们需要爬取的页面的整体架构:
http://www.51testing.com/attachments/2021/04/15326880_202104251351501cxlj.png
我们发现要得到视频信息，要走好几个环节，首先有个学段，其次年级，再其次就是学科，单元，最后才会得到右下侧的视频列表信息。
然后当我们点击了视频的播放按钮之后，会弹出一个新页面。
http://www.51testing.com/attachments/2021/04/15326880_2021042513515918DVM.png
这个页面就是我们具体的视频播放页面了，我们需要的视频url也在这里。
2. 连接浏览器
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support.expected_conditions import presence_of_element_located
import time
import re
import subprocess
import os
# selenium调用
options = webdriver.ChromeOptions()
# 编码格式
options.add_argument('lang=zh_CN.UTF-8')
# 等待浏览器DOMContentLoaded事件
options.page_load_strategy = 'eager'
# 无头模式启动
# options.add_argument('--headless')
# 谷歌文档提到需要加上这个属性来规避bug
options.add_argument('--disable-gpu')
options.add_argument('blink-settings=imagesEnabled=false')
browser = webdriver.Chrome(options=options)
wait = WebDriverWait(browser, 10)
3. 打开指定的页面
browser.get("https://tongbu.eduyun.cn/tbkt/tbkthtml/1.html")
4. 模拟用户行为
此处写了个生成器，主要是数据过多，我想只在需要的时候在获取。
def fibonacci():
# 学段
wait.until(presence_of_element_located((By.ID, "xueduan")))
elements_xd = browser.find_element(By.ID, "xueduan").find_elements(By.TAG_NAME, "dd")
for len_xd in range(len(elements_xd)):
element_xd_a = browser.find_element(By.XPATH, "//dl[@id='xueduan']/dd[{}]".format(len_xd + 1))
element_xd_a_text = element_xd_a.text
print(element_xd_a_text)
element_xd_a.click()
# 年级
wait.until(presence_of_element_located((By.ID, "nianjiDl")))
elements_nj = browser.find_elements(By.XPATH, "//dl[@id='nianjiDl']/dd[@value]")
for len_nj in range(len(elements_nj)):
element_nj_a = browser.find_element(By.XPATH, "//dl[@id='nianjiDl']/dd[@value][{}]".format(len_nj + 1))
element_nj_a_text = element_nj_a.text
print(element_nj_a_text)
element_nj_a.click()
# 学科
wait.until(presence_of_element_located((By.ID, "xuekeDl")))
elements_xk = browser.find_elements(By.XPATH, "//dl[@id='xuekeDl']/dd")
for len_xk in range(len(elements_xk)):
element_xk_a = browser.find_element(By.XPATH, "//dl[@id='xuekeDl']/dd[{}]".format(len_xk + 1))
element_xk_a_text = element_xk_a.text
print(element_xk_a_text)
element_xk_a.click()
# 单元
wait.until(presence_of_element_located((By.ID, "UlDzfw")))
elements_nl = browser.find_elements(By.XPATH, "//ul[@id='UlDzfw']/li")
for len_nl in range(len(elements_nl)):
element_nl_li = browser.find_element(By.XPATH, "//ul[@id='UlDzfw']/li[{}]".format(len_nl + 1))
element_nl_li_a = element_nl_li.find_element(By.XPATH, "h3/a")
element_nl_li_span = element_nl_li.find_element(By.XPATH, "h3/a/span")
element_nl_li_a_text = element_nl_li_a.text
print(element_nl_li_a_text)
print("##{}".format(element_nl_li_span.text))
element_nl_li_a.click()
# 视频列表
wait.until(presence_of_element_located((By.ID, "casel")))
elements_casel = browser.find_elements(By.XPATH, "//div[@id='casel']/dl")
for len_casel in range(len(elements_casel)):
element_casel_li_a = browser.find_element(By.XPATH,
"//div[@id='casel']/dl[{}]/dd/h4/a".format(
len_casel + 1))
element_casel_li_a_text = element_casel_li_a.text
print(element_casel_li_a_text)
# 视频地址
browser.get(element_casel_li_a.get_attribute("href"))
# 具体视频连接在script里面，使用正则表达式获取连接
_script = browser.find_element_by_xpath("//div[@class='ShiPin_C']/script").get_attribute(
"textContent")
# 获取m3u8中的下载连接
searchObj = re.search(r'file:\s*"(.*)?",', _script, re.M | re.I)
browser.back()
yield element_xd_a_text, element_nj_a_text, element_xk_a_text, element_nl_li_a_text, element_casel_li_a_text, searchObj.group(
1)
示例：
http://www.51testing.com/attachments/2021/04/15326880_202104251359551VPGw.png
5. 提取数据
list = fibonacci()
l1 = next(list)
print(l1)
ffmpeg_cmd = 'D:\\ffmpeg-n4.3.1\\bin\\ffmpeg.exe -referer "http://tongbu.eduyun.cn/" -i "{}" -c copy -bsf:a aac_adtstoasc "{}".mp4'.format(
l1, l1)
print(ffmpeg_cmd)
child = subprocess.Popen(ffmpeg_cmd, cwd=os.getcwd() + "\\", shell=True)
child.wait()
l1 = next(list)
print(l1)
ffmpeg_cmd = 'D:\\ffmpeg-n4.3.1\\bin\\ffmpeg.exe -referer "http://tongbu.eduyun.cn/" -i "{}" -c copy -bsf:a aac_adtstoasc "{}".mp4'.format(
l1, l1)
print(ffmpeg_cmd)
child = subprocess.Popen(ffmpeg_cmd, cwd=os.getcwd() + "\\", shell=True)
child.wait()
browser.quit()
因为数据很多，所以这里只提取了两个视频信息。下载使用的是ffmpeg，你可以使用python写代码下载也行，这里只是为了简便。
注意：
1)视频url是m3u8的。
2)某些视频需要设置请求头referer为http://tongbu.eduyun.cn/，不然获取不到视频。
总结
使用Selenium爬取网页数据，我们可以模拟正常用户的行为，就和人在点击是一致的。
这种方式为某些需要点击触发啊之类的数据请求提供了一个方便，不过selenium最主要的作用还是用作自动测试化。
我们要爬取任何网页的数据，首先需要做的都是分析网页结构，分析网页链接等等，比如某些视频的权限之类的，这样才能游刃有余。
页:
[1]
