Python基于Selenium实现爬取网络视频

lsekfe

　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

　　因为这里已经安装了，所以提示已满足。
　　2).验证

　　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)

　　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/

　　点击该目录，然后下载红框标注的版本就行。

　　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。

　　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。

　　然后我们验证是否可以驱动浏览器。

　　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:

　　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。

　　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[2]").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：

　　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[5], l1[4]) 　　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[5], l1[4]) 　　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。