环境介绍：
- python 3.8 解释器
- pycharm 2021专业版 >>> 激活码 编辑器
- 谷歌浏览器
- 谷歌驱动
- selenium >>> 驱动 >>> 浏览器
模块使用：
采集一个视频
- requests >>> pip install requests
- re
采集多个视频
- selenium >>> pip install selenium==3.141.0 (3.141.0)
指定模块版本去安装 使用这个模块安装浏览器驱动 - time
如果安装python第三方模块:
- win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
- 在pycharm中点击Terminal(终端) 输入安装命令
如何配置pycharm里面的python解释器?
- 选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
- 点击齿轮, 选择add
- 添加python安装路径
pycharm如何安装插件?
- 选择file(文件) >>> setting(设置) >>> Plugins(插件)
- 点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation / 汉化插件 输入 Chinese
- 选择相应的插件点击 install(安装) 即可
- 安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效
案例基本流程思路:
一. 分析数据来源
- 确定自己需求 , 我们采集内容是什么? 采集那个网站... 先采集一个视频, 然后再去采集多个视频
- 通过开发者工具进行抓包分析..
I. 开发者工具 网页浏览器自带, F12 或者鼠标右键点击检查选择network
II. 刷新网页....让网页数据内容重新完整加载一遍 <找视频数据内容>
III. 通过network下面的media里面找到视频url地址
IV. 不够.. >>> 分析这个视频url地址从哪里来的... 通过抓包分析, 得到url地址 通过一次编码
二. 代码实现的步骤 爬虫基本四大步骤....
- 发送请求, 对于刚刚分析得到url地址发送请求 https://www.douyin.com/video/7086835442330504488
- 获取数据, 获取服务器返回响应数据
- 解析数据, 提取我们想要视频url地址以及视频标题
- 保存数据, 把视频内容保存本地文件夹
代码
导入模块
import requests # 导入数据请求模块 第三方模块 pip install requests
import re # 导入正则表达式模块 内置模块
from selenium import webdriver
import time # 时间模块
selenium
用selenium模块用驱动<浏览器>操作浏览器人怎么去操作浏览器, 怎么去写代码
- 打开浏览器
webdriver.Chrome(executable_path="chromedriver") 括号里面是需要加驱动路径
如果你驱动放在和代码一个文件夹里面, 可以不用写路径
或者你的驱动放在python安装目录里面 也可以不用写路径
其他位置, 都需要指定路径位置- 输入网址
- 查看网页内容
requests请求数据,获取服务器返回数据内容 selenium你可以直接根据元素面板去定位数据内容
爬虫模拟浏览器对于url地址发送请求, 最后获取服务返回响应数据
发送请求:
- 确定url
- 模拟伪装
请求头headers 是可以直接在开发者工具里面复制粘贴 request headers 直接复制
字典数据类型, 构建完整键值对形式
user-agent 用户代理 表示浏览器基本身份标识- 请求方式
状态码 200 表示请求成功... 但是不一定得到你想要的数据...没有得到你想要数据内容, 是什么原因导致的? <被反爬了> 为什么被反爬了 因为你被识别出来 你是爬虫程序
比如说: 超市面试试吃 老是你来吃东西<一直你是Ip请求快速>, 不给你吃了 <IP被封>
driver = webdriver.Chrome() # 实例化一个浏览器对象
driver.get('https://www.douyin.com/user/MS4wLjABAAAAUXBNFnWLvl9T8ylgAbD1auR_o5FL3dF7ic0KMYN9_88')
driver.implicitly_wait(10)
def drop_down():
for x in range(1, 30, 4):
time.sleep(1)
j = x / 9
js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % j
driver.execute_script(js)
list_1 = [1, 2, 3, 4, 5, 6, 7]
list_1[1:]
drop_down()
lis = driver.find_elements_by_css_selector(
'div.mwbaK9mv > div:nth-child(2) > ul .ECMy_Zdt') # 通过 css 选择器查找元素 获取多个li标签返回列表
# url_list = [li.find_element_by_css_selector('a').get_attribute('href') for li in lis]
for li in lis:
try:
time.sleep(1)
url = li.find_element_by_css_selector('a').get_attribute('href')
# url = 'https://www.douyin.com/video/7087141617865346304' # 网址
headers = {
'cookie': 'douyin.com; ttcid=444dfe8e89ff4d99b0662076ad171c8775; ttwid=1%7CTnFKlrGi3lHjKf5bshFdP9Nwu_Vsiwo-TxvX9NISgj8%7C1642083887%7Cfbfa904ea2900763eb6ac090bdd09014d80840da1ca485bbfea193d5401b330e; MONITOR_WEB_ID=c27b9f4a-4917-4256-be93-e948308467e3; odin_tt=0510c3c4196f54b541a96ac64e8b585b3a755be85057da8a1f3fa068e3f7b75ca2de4345e2b856f1e7b3f9455d86079731fe7d07a9f10890f26855d3674858e1; passport_csrf_token=e0b90cb756903c370592bd558c2b0cf5; passport_csrf_token_default=e0b90cb756903c370592bd558c2b0cf5; s_v_web_id=verify_l268jj46_kc7yYkD6_YHWW_4x4v_9snI_EDE0zro77uRn; AVATAR_FULL_LOGIN_GUIDE_COUNT=1; AVATAR_FULL_LOGIN_GUIDE_TIMESTAMP=1650982839652; AVATAR_FULL_LOGIN_GUIDE_ITA_COUNT=1; AVATAR_FULL_LOGIN_GUIDE_ITA_TIMESTAMP=1650982839652; __ac_nonce=0627ba36600d465d72261; __ac_signature=_02B4Z6wo00f01zrB8EAAAIDCWcswKSh.eLM65fTAAKzW8srQpmSjmL6YX9IsdmMSL4a9EBuyJvIwNMROqFQktniG-Ur-UDPK6wHInC8QKqRYUmyGnflwUXLpKzPgVt2FtREyprGmCDAZLrIpcc; douyin.com; strategyABtestKey=1652269927.635; AB_LOGIN_GUIDE_TIMESTAMP=1652269927510; AVATAR_LOGIN_GUIDE_COUNT=1; _tea_utm_cache_2285=undefined; _tea_utm_cache_6383=undefined; _tea_utm_cache_1300=undefined; pwa_guide_count=3; IS_HIDE_THEME_CHANGE=1; THEME_STAY_TIME=299808; msToken=XGPVAVUHDi9iTEQRjdXuQ0YyetxhHq0c9EH1dLLpttanbCXsNSD0DRxwk9oUB0vZ7LB9vKd-ABi2kAkzj2lCn1x98lJ4iTFbf260RcLav-G4QkhNyq8qV9i3oEJRyc8t; home_can_add_dy_2_desktop=1; msToken=3ALqenaebbJHw7kQDiDG6aRAgVYm5WM1pVGqmyyidbGgYpWRWKn-wQ9tcjoxWrHvwcqoYAx3tQ4IGE1qixdq2ei_fPrirMeeI6HeooU3sGR2wyWQ2OAAh2RejVJOrmpA; tt_scid=Gp0q0JW0LDreTqplgpajIZNHCB0.p1NcVv0hhZBgaGDw4SFxkXGlXfKafiCVmWAWc537',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# print(url)
# <Response [200]> 响应对象 200 状态码 表示请求成功 response.text 获取响应对象文本数据
# print(response.text)
"""
数据解析, 提取我们想要数据内容
re正则表达式 <在付费课程 2.5个小时的内容讲解完>
re.findall() 调用re模块里面findall方法 去查询匹配数据
找到所有 >>> 从什么地方去找什么样数据 (.*?) 表示你想要数据内容, 通配符, 可以匹配任意字符(除了换行符以外)
"""
title = re.findall('<title data-react-helmet="true">(.*?)</title>', response.text, re.S)[0]
title = re.sub(r'[/\:*?"<>|\n]', '', title)
video_url = re.findall('src(.*?)%22%7D%2C%7B%22src', response.text)[0] # 编码的内容获取
video_url_1 = requests.utils.unquote(video_url).replace('":"', 'https:') # 解码
# 编码 requests.utils.quote
# 就业工作 1 接单赚钱 2
# print(title)
# print(video_url)
# print(video_url_1)
video_content = requests.get(url=video_url_1, headers=headers).content # 发送请求获取二进制数据内容
解答、资料、教程可加Q裙：261823976免费领
with open('img\\' + title + '.mp4', mode='wb') as f:
f.write(video_content) # 写入内容
print('正在保存: ', title)
except Exception as e:
print(e)
尾语
成功没有快车道，幸福没有高速路。
所有的成功，都来自不倦地努力和奔跑，所有的幸福都来自平凡的奋斗和坚持
——励志语录
本文章就写完啦~感兴趣的小伙伴可以复制代码去试试
你们的支持是我最大的动力！！记得三连哦~ 💕 欢迎大家阅读往期的文章呀
