嗨喽~大家好呀，这里是魔王呐 !
又是普普通通采集美女得一天啊~
- 前言
- 环境使用:
- 模块使用:
- 安装python第三方模块:
- 如何配置pycharm里面的python解释器?
- pycharm如何安装插件?
- 思路分析
- 一. 数据来源分析:
- 二. 代码实现步骤过程
- 批量采集代码
- 下面，我们来欣赏一下小姐姐吧~
- 尾语
-
Python 3.8
-
Pycharm
-
谷歌浏览器
-
谷歌驱动
-
requests >>> pip install requests
-
re
-
json
-
selenium >>> pip install selenium==3.141.0
-
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
-
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
-
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
先采集一个视频内容 —> 采集这个视频博主所有视频内容
如何实现案例: 流程思路
一. 数据来源分析:-
明确需求:
采集那个网站上面什么数据内容 —> 1. 视频标题 2. 视频播放链接
-
通过开发者工具进行抓包分析, 分析数据所在地方
-
F12 或者 鼠标右键点击检查选择network 刷新网页 —> 为了让本网页相关数据内容, 重新加载一遍
-
找视频播放链接在什么地方 —> 找media
-
已知 视频播放链接 —> 分析这个视频播放链接在什么可以得到
通过搜索分析, 可以找到视频数据来源, 但是链接是转码了
-
-
发送请求, 模拟浏览器对于url地址发送请求
-
获取数据, 获取服务器返回响应数据
开发者工具里面 response
-
解析数据, 提取我们想要数据内容
-
视频链接
-
视频标题
-
-
保存数据, 把视频内容保存本地文件夹
导入数据请求模块
第三方模块 需要在cmd里面或者pycharm终端里面进行安装 pip install requests
import requests
# 导入正则 内置模块 不需要安装
import re
# 导入json模块 内置模块 不需要安装
import json
# 导入格式化输出模块 内置模块 不需要安装
from pprint import pprint
# 自动化测试模块
from selenium import webdriver
# 导入时间模块
import time
“”"
发送请求, 模拟浏览器对于url地址发送请求
-
表示响应对象
对于url地址 请求成功, 但是不代表你一定得到数据
-
为什么没有得到我们想要数据内容
当我们被服务器识别出来是爬虫程序的时候, 我可能得不到数据, 或者得到数据不是我们想要的
selenium 模拟人的行为去操作浏览器, 获取所有视频ID
定位元素获取视频播放页url地址
selenium —> 浏览器驱动谷歌 —> 浏览器谷歌
“”"
打开浏览器 实例化浏览器对象 driver 浏览器对象
driver = webdriver.Chrome()
输入网址, 访问网站
因为代码里有链接，不给过的，所以我只能截个图展示一下，你们可以根据下方图片添加完整哦~
或点击 蓝色字体 领取完整源码，我都放在这里了。
滑动页面,让网页加载所有视频内容 selenium 去执行js代码
def drop_down():
"""执行页面滚动的操作 自定义函数""" # javascript
for x in range(1, 30, 4): # 1 3 5 7 9 在你不断的下拉过程中, 页面高度也会变的
time.sleep(1)
j = x / 9 # 1/9 3/9 5/9 9/9
# document.documentElement.scrollTop 指定滚动条的位置
# document.documentElement.scrollHeight 获取浏览器页面的最大高度
js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % j
driver.execute_script(js)
# 调用函数 实现网页自动下滑操作
drop_down()
通过元素定位 通过 css 选择器查找元素 所有li标签
lis = driver.find_elements_by_css_selector('.Eie04v01')
if lis:
pass
else:
lis = driver.find_elements_by_css_selector('.ECMy_Zdt')
# for循环遍历
for li in lis:
try:
time.sleep(1)
# 通过 css 选择器查找元素 具体哪一个标签里的数据内容
url = li.find_element_by_css_selector('a').get_attribute('href')
print(url)
确定请求url地址
# 伪装 模拟浏览器 --> headers 请求头
headers = {
# user-agent 用户代理 表示浏览器基本身份信息
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}
发送请求
response = requests.get(url=url, headers=headers)
“”" 获取数据, 获取服务器返回响应数据
开发者工具里面 response —> response.text
解析数据, 提取我们想要数据内容
-
视频链接
-
视频标题
正则re提取数据内容
调用re模块findall方法 --> 找到我们想要的数据内容
re.findall(‘什么数据’, ‘什么地方’)
从什么地方, 去找什么样的数据内容
从 response.text 里面 去找 (.*?) 其中(.*?) 这段是我们要的数据
print(json_data) --> 打印字典数据 返回一行数据内容
pprint(json_data) --> 打印字典数据 返回多行数据内容 展开效果
字典数据提取内容
键值对取值 —> 根据冒号左边的内容[键], 提取冒号右边的内容[值]
“”"
提取标题
title = re.findall('(.*?)', response.text)[0]
# 提取视频信息
video_info = re.findall('(.*?) 提取视频链接
video_url = 'https:' + json_data['32']['aweme']['detail']['video']['bitRateList'][0]['playAddr'][0]['src']
“”" 保存数据, 把视频内容保存本地文件夹
- 对于视频链接发送请求, 获取数据的
response.content 获取二进制数据内容 “”"
# 获取视频内容 --> 对于视频链接地址发送请求, 获取二进制数据内容
video_content = requests.get(url=video_url, headers=headers).content
# 'video\\' + title + '.mp4' mode='wb' 二进制写入保存
with open('video\\' + title + '.mp4', mode='wb') as f:
# 写入/保存数据
f.write(video_content)
print(title)
print(video_url)
except:
pass
文章看不懂，我专门录了对应的视频讲解，本文只是大致展示，完整代码和视频教程点击下方蓝字
点击 蓝色字体 自取，我都放在这里了。
尾语要成功，先发疯，下定决心往前冲！
学习是需要长期坚持的，一步一个脚印地走向未来！
未来的你一定会感谢今天学习的你。
—— 心灵鸡汤
本文章到这里就结束啦~感兴趣的小伙伴可以复制代码去试试哦 😝
