目标:爬取自己账号中购买的课程视频。
这里采用的是手动输入验证码的方式,有能力的盆友也可以通过图像识别的方式自动填写验证码。登录后,采用session保持登录。
第一步:首先查看验证码对应的代码,可以从图中看到验证码图片的地址是:https://per.enetedu.com/Common/CreateImage?tmep_seq=1613623257608
颜色标红的部分tmep_seq=1613623257608,是为了解决浏览器缓存问题加的时间戳,因此真正的验证码图片地址是:https://per.enetedu.com/Common/CreateImage
第二步:找出登录时提交的表单内容和POST地址。
(1) 不填写用户名密码和验证码,直接点击登录,使用Chrome浏览器的Network检查,找到POST地址:https://per.enetedu.com/AdminIndex/LoginDo
(2) 继续向下看,找到提交的表单 Form Data。
因此带有验证码的登录代码如下:
import requests from PIL import Image #用户名-密码-验证码方式,登录 CaptchaUrl = "https://per.enetedu.com/Common/CreateImage" #获取验证码地址 PostUrl = "https://per.enetedu.com/AdminIndex/LoginDo" #post登录信息地址 client = requests.Session() username = '替换为自己的用户名' password = '替换为自己的密码' qr_code = client.get(CaptchaUrl) open('login.jpg', 'wb').write(qr_code.content) #将验证码图片保存至本地 img = Image.open('login.jpg') img.show() #打开图片 code = input("请输入验证码: \n") #输入验证码 postData = { #构造POST表单 'email': username, 'pwd': password, 'validateCode': code, 'x': '22', 'y': '19' } result = client.post(PostUrl,postData) #向PostUrl提交表单
登录成功后,检查视频播放div对应的代码,企图找到视频地址直接保存至本地。结果,如下图所示,整个视频是被分割成一段一段的.ts文件,分段加载到页面中播放。GET每段视频的地址为右侧红框圈起来的部分。
百度后才知道,整个视频如何分段是由一个m3u8文件来决定的。m3u8文件中的内容如下所示,记录了每段视频start和end的编号。
#EXTM3U #EXT-X-VERSION:3 #EXT-X-ALLOW-CACHE:YES #EXT-X-TARGETDURATION:10 #EXTINF:10.000000, start_0-end_765064-record.gv.ts #EXTINF:10.000000, start_765064-end_1769567-record.gv.ts #EXTINF:10.000000, start_1769567-end_2600798-record.gv.ts #EXTINF:10.000000, start_2600798-end_3593502-record.gv.ts #EXTINF:10.000000, start_3593502-end_4500784-record.gv.ts #EXTINF:10.000000, start_4500784-end_5399861-record.gv.ts #EXTINF:10.000000, start_5399861-end_6288622-record.gv.ts #EXTINF:10.000000, start_6288622-end_7044459-record.gv.ts #EXTINF:10.000000, start_7044459-end_7878487-record.gv.ts #EXTINF:10.000000, start_7878487-end_8811793-record.gv.ts #EXTINF:10.000000,
因此,下载视频的关键是获取m3u8文件,通过这个视频的m3u8文件来分段下载视频。
我是人工找出m3u8的下载地址,暂时还没研究出来怎么通过视频地址自动解析出m3u8地址。找的方法很简单,还是在Chrome的Network控制台找。打开Network控制台,刷新页面,就可以找到如图所示的m3u8文件。查看m3u8文件的相关信息,可以看到红框圈起来的地址就是这个视频的m3u8下载地址。
对比两个地址,可以发现文件名前的地址相同,视频下载地址即为"标红地址"+"m3u8文件中列出的视频段文件名":
https://bcdn.enetedu.com/conv/cdnfile/video/2016_06_27/1467034852884_f5821b/hi/record.m3u8
https://bcdn.enetedu.com/conv/cdnfile/video/2016_06_27/1467034852884_f5821b/hi/start_643887-end_1083181-record.gv.ts
因此可以将这部分地址设为:urlroot = https://bcdn.enetedu.com/conv/cdnfile/video/2016_06_27/1467034852884_f5821b/hi
为了方便下载其他视频时动态修改,改为动态截取:
url = input("请输入m3u8文件地址:") urlRoot=self.url[0:url.rindex('/')]
这一步使用上一步拼接的地址循环下载ts视频即可。下载时,使用登录时创建的session下载。
session是会话的意思,它可以让服务器“认得”客户端。简单理解就是,把每一个客户端和服务器的互动当作一个“会话”。既然在同一个“会话”里,服务器自然就能知道这个客户端是否登录过。代码如下:
client = requests.Session() client.post(PostUrl,postData) #登录 resp = client.get(download_path) #下载
碎片拼接的方法:下载完第一个ts片段后,直接在该文件后面继续写第二个ts片段,以此类推。而不是新建一个文件写入。与验证码登录结合起来,完整代码如下:
import requests from PIL import Image import sys import m3u8 import time import os #用户名-密码-验证码方式,登录 CaptchaUrl = "https://per.enetedu.com/Common/CreateImage" #获取验证码地址 PostUrl = "https://per.enetedu.com/AdminIndex/LoginDo" #post登录信息地址 client = requests.Session() username = '526257482@qq.com' password = 'dashuju_9514' qr_code = client.get(CaptchaUrl) open('login.jpg', 'wb').write(qr_code.content) #将验证码图片保存至本地 img = Image.open('login.jpg') img.show() #打开图片 code = input("请输入验证码: \n") #输入验证码 postData = { #构造POST表单 'email': username, 'pwd': password, 'validateCode': code, 'x': '56', 'y': '19' } result = client.post(PostUrl,postData) #向PostUrl提交表单 #循环下载ts视频 class VideoCrawler(): def __init__(self,url): super(VideoCrawler, self).__init__() self.url=url self.final_path=r"D:\Download\Film" #下载并解析m3u8文件 def get_url_from_m3u8(self,readAdr): print("正在解析真实下载地址...") with open('temp.m3u8','wb') as file: file.write(requests.get(readAdr).content) m3u8Obj=m3u8.load('temp.m3u8') print("解析完成") return m3u8Obj.segments def run(self): print("Start!") start_time=time.time() realAdr = self.url #m3u8下载地址 urlList=self.get_url_from_m3u8(realAdr) #解析m3u8文件,获取下载地址 urlRoot=self.url[0:self.url.rindex('/')] i=1 outputfile=open(os.path.join(self.final_path,'%s.ts'%self.fileName),'wb')#初始创建一个ts文件,之后每次循环将ts片段的文件流写入此文件中从而不需要在去合并ts文件 for url in urlList: try: download_path = "%s/%s" % (urlRoot, url.uri) #拼接地址 resp = client.get(download_path) #使用拼接地址去爬取数据 progess = i/len(urlList)#记录当前的爬取进度 outputfile.write(resp.content) #将爬取到ts片段的文件流写入刚开始创建的ts文件中 sys.stdout.write('\r正在下载:{},进度:{:.2%}'.format(self.fileName,progess))#通过百分比显示下载进度 sys.stdout.flush()#通过此方法将上一行代码刷新,控制台只保留一行 except Exception as e: print("\n出现错误:%s",e.args) continue#出现错误跳出当前循环,继续下次循环 i+=1 outputfile.close() print("下载完成!总共耗时%d s"%(time.time()-start_time)) print("开始转换视频格式!") success = os.system(r'copy /b D:\Download\Film\{0}.ts D:\Download\Film\{0}.mp4'.format(self.fileName)) #ts转成mp4格式 if (not success): print("格式转换成功!") os.remove(self.final_path+'\\'+self.fileName+".ts") #删除ts和m3u8临时文件 os.remove("temp.m3u8") if __name__=='__main__': m3u8_addr = input("输入m3u8文件下载地址:\n") crawler=VideoCrawler(m3u8_addr) crawler.fileName = input("输入文件名:\n") crawler.run() quitClick=input("请按Enter键确认退出!")
代码可以实现分段加载视频的爬取功能,其中还有很多细节待完善如:
到此这篇关于Python爬虫爬取ts碎片视频+验证码登录功能的文章就介绍到这了,更多相关Python爬虫爬取视频内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!