Python基于Selenium实现爬取网络视频

您所在的位置：网站首页 › selenium 录制 › Python基于Selenium实现爬取网络视频

Python基于Selenium实现爬取网络视频

2023-09-05 09:25| 来源: 网络整理| 查看: 265

文章目录一、什么是爬虫二、Selenium实现爬虫的基本流程三、环境搭建1.前置条件2.Selenium安装1.安装2.验证 3.ChromeDriver安装1.安装2.验证四、示例：爬取国家中小学网络云平台所有视频数据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. 提取数据总结

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分析网页结构连接浏览器打开指定的页面模拟用户行为提取数据三、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

在这里插入图片描述因为这里已经安装了，所以提示已满足。

2.验证

在这里插入图片描述首先输入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) 在这里插入图片描述

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/ 在这里插入图片描述

点击该目录，然后下载红框标注的版本就行。在这里插入图片描述

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。在这里插入图片描述

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。在这里插入图片描述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在这里插入图片描述

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。在这里插入图片描述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：在这里插入图片描述

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：

视频url是m3u8的。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。

【本文地址】

Python基于Selenium实现爬取网络视频

Python基于Selenium实现爬取网络视频

今日新闻

推荐新闻