单线程多任务协程vip电影爬取

? ——仅供学习使用勿作商用如有违规后果自负！！！

这几天一直在使用python爬取电影，主要目的也是为了巩固前段时间强化学习的网络爬虫，也算是一个不错的检验吧，面对众多的反爬机制，爬虫真的是一件不容易的事，但我们本着“没有爬不下来的东西，只有懒惰的程序员”的坊间箴言，在遵守有关法律法规的前提下，与反爬机制作斗争，也是一个提升自我的过程。下面言归正传，今天我们学习一下使用单线程多任务协程方式来爬取普通电影和vip电影

一、明确几个概念

1. 关于网络抓包：
   1. elements里面是当前所见的网页，网页变化elements里面的标签元素也会变化，它只是记录某一时刻的网页内容，可以将它视为“快照”。
   2. 而network内则记录从你打开检查开始网页上出现的所有的包，既然是从你打开检查开始，因此会存在一些漏包，建议先清空network，然后重新刷新页面，就能捕捉到所有的包，就不会出现漏包。
2. 各大优酷腾讯爱奇艺等主流互联网视频网站，为了反爬以及防止过度占用媒体资源，抓包中是不提供.mp4文件，一般都以.m3u8的格式呈现。
   1. M3U8 是 Unicode 版本的 M3U，用 UTF-8 编码。"M3U" 和 "M3U8" 文件都是苹果公司使用的 HTTP Live Streaming（HLS） 协议格式的基础，这种协议格式可以在 iPhone 和 Macbook 等设备播放。简而言之，HLS 是新一代流媒体传输协议，其基本实现原理为将一个大的媒体文件进行分片，将该分片文件资源路径记录于 m3u8 文件（即 playlist）内，其中附带一些额外描述（比如该资源的多带宽信息···）用于提供给客户端。客户端依据该 m3u8 文件即可获取对应的媒体资源，进行播放。链接：https://www.jianshu.com/p/e97f6555a070
   2. 抓m3u8真的是件很不容易的事情，无论vip还是普通电影，都能搜索到.m3u8的数据（url），打开检查后，最好再刷新一下网页，因为很多都是打开网页m3u8就立马加载的，爬取电影分vip爬取和普通爬取进行讲解。

二、普通电影爬取

• 直接f12抓包，搜索.m3u,能找到m3u8的url

• 获得后下载m3u8，用python编写代码（代码与vip下载相同，不做重复说明）下载里面的.ts文件，合成.mp4，如果能够播放，但是时长显示错误的话，需要用ffmpeg转码。

  ffmpeg -i out.ogv -vcodec h264 out.mp4
  ffmpeg -i out.ogv -vcodec mpeg4 out.mp4
  ffmpeg -i out.ogv -vcodec libxvid out.mp4
  ffmpeg -i out.mp4 -vcodec wmv1 out.wmv
  ffmpeg -i out.mp4 -vcodec wmv2 out.wmv
  #-i 后面是输入文件名。-vcodec 后面是编码格式，h264 最佳，但 Windows 系统默认不安装。如果是要插入 ppt 的视频，选择 wmv1 或 wmv2 基本上万无一失。
  
  附加选项：-r 指定帧率，-s 指定分辨率，-b 指定比特率；于此同时可以对声道进行转码，-acodec 指定音频编码，-ab 指定音频比特率，-ac 指定声道数，例如
  

三、VIP电影抓取

1. 如果不是会员，vip电影直接在主流视频完整抓包是抓不到完整的m3u8的，所以我们用http://jx.618g.com/?url=视频地址，去解析。关于解析网站值得说明的是，如果把优酷上的某个电影网址输入，找到的不一定是你想要的，但一般不会错。比如找房祖名的某部电影，然后找到的竟然是该名的外国片。所以jx.618g.com是在全网找这部关键字的电影哦，所以并非如你所想。解析网站也不是把原网页的电影给解析出来，主流的视频vip电影哪有这么容易就解析出来。

2. 下面我们开始爬取电影

   • 用requests.get(url=url)获取m3u8文件，确实能获取到，但是有时那个.m3u8文件是不对的，因为真正的m3u8有时是动态加载的。所以要用抓包搜m3u8，然后真正的m3u8（几十K)。下载m3u8完毕后，合成电影有两种方式：

   1. 使用ffmpeg合成

      ffmpeg -i "网址" -vcodec copy -acodec copy 电影.mp4
      

      • 成功率不高，几千个ts文件，总有出错的，存在电影文件无法读取的隐患

   2. 使用python下载.ts文件并合成（推荐），请看源码讲解。

      1. conf.py文件：配置文件

         import re
         #‘‘‘
         # n_times用于在下载上千个ts文件时，对待个别未成功下载的文件需要再次运行main完成下载
         # 每次运行一次main更改一次数字
         #‘‘‘
         n_times=1
         
         
         #‘‘‘
         # 永远不变
         #‘‘‘
         #undo_list为未下载成功后生成的未下载序号
         undo_list=‘未下载‘+str(n_times)+‘.txt‘
         #new_m3u8_list为未下载成功后生成的待下载的.ts文件列表
         new_m3u8_list=‘new_m3u8_list‘+str(n_times)+‘.txt‘
         
         
         #‘‘‘
         # 每次下载一部电影都要更改
         #‘‘‘
         #m3u8原始路径
         path_m3u8 = ‘新扎师妹.m3u8‘
         #下载地址的base目录
         path_base=‘https://youku.cdn-tudou.com/20180611/6359_a2aef4b6/1000k/hls/‘
         #root为电影ts文件下载目录
         root = r"D:\movie\vip8"
         #对某部电影匹配正则运算，找到电影序号
         ret = re.compile(‘de5a(.*?).ts‘)
         

      2. create_m3u8_list.py：对m3u8源文件进行提取下载列表

         from conf import path_m3u8
         import os
         def m3u8_table(path_m3u8):
             m3u8_list=path_m3u8+‘.txt‘
             with open(path_m3u8,mode=‘r‘,encoding=‘utf-8‘)as f:
                 if not os.path.isfile(m3u8_list):
                     for line in f:
                         if ‘.ts‘ in line:
                                 with open(m3u8_list, mode=‘a‘, encoding=‘utf-8‘)as f1:
                                     f1.write(line)
                 return m3u8_list
         m3u8_list=m3u8_table(path_m3u8)
         

      3. m3u8_main.py：运行的主文件

         import requests
         import aiohttp
         import asyncio
         import re
         import os
         import time
         from time import sleep
         from conf import *
         from create_m3u8_list import m3u8_list#无论from还是直接import都会运行那个模块的
         from functools import partial# partial(偏函数)可以把函数包装成另外一个函数
         start=time.time()
         
         headers = {
             ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36‘}
         
         
         num=0#计算到第几个文件
         async def get_request(sem,url):
             global num
             async with sem:
                 async with aiohttp.ClientSession() as s:
                     async with await s.get(url,headers=headers) as response:
                         rep = await response.read()#read()返回的是byte类型的数据
                         num += 1
                         print(‘------------{}‘.format(num))
                         return rep
         
         tasks = []
         #最大并发数
         sem = asyncio.Semaphore(50)
         
         # 向回调函数传递参数
         def parse(line,task):
             try:
                 res = ret.findall(line)
                 ct = "%04d" % int(res[0])
                 rep = task.result()
                 abs_path = os.path.join(root, ct + ‘.ts‘)
                 with open(abs_path, mode=‘wb‘)as f1:
                     f1.write(rep)
             except Exception as e:
                 with open(undo_list,mode=‘a‘,encoding=‘utf-8‘)as f2:
                     f2.write(ct+‘\n‘)
                 print(e)
         
         def run(path):
             with open(path,mode=‘r‘,encoding=‘utf-8‘)as f:
                 for line in f:
                     line=line.strip(‘\n‘)
                     if ‘http‘ not in line:
                         line=path_base+line
                     c = get_request(sem,line)
                     task = asyncio.ensure_future(c)
                     task.add_done_callback(partial(parse,line))
                     #还是要用回调的，传参的回调，一边下一边就能保存，比后面同步的后续处理要好，因为不需要task都完毕了才保存。
                     tasks.append(task)
             loop = asyncio.get_event_loop()
             loop.run_until_complete(asyncio.wait(tasks))
         
         
         def main():
             run(exec_list)
             with open(undo_list, mode=‘r‘, encoding=‘utf-8‘) as f3, open(m3u8_list, mode=‘r‘, encoding=‘utf-8‘)as f4, open(new_m3u8_list, mode=‘a‘, encoding=‘utf-8‘) as f5:
                 whole = f4.readlines()
                 for line in f3:
                     line = line.strip(‘\n‘)
                     f5.write(whole[int(line)])
             print(time.time()-start)
         
         
         if __name__ == ‘__main__‘:
         # 第一遍执行文件exc_list选择m3u8_list，第二遍选择new_m3u8_list1,第三遍以此类推
             if n_times==1:
                 exec_list=m3u8_list
             else:
                 exec_list=‘new_m3u8_list‘+str(n_times-1)+‘.txt‘
             main()
         
         
         
         #后面不适用回调，为同步处理数据，感觉不好，一错俱错
         # if __name__ == ‘__main__‘:
         #     run(path)
         #     for task in tasks:
         #         try:
         #      # 这个ct放try后面顺序就不会乱，否则，一旦有个不能下载，就一直保持连续，都不知道谁有问题不能下。
         #             ct += 1
         #             rep = task.result()
         #             ct1 = "%04d" % int(ct)
         #             abs_path = os.path.join(root,ct1+‘.ts‘)
         #             with open(abs_path, mode=‘wb‘)as f1:
         #                 f1.write(rep)
         #         except Exception:
         #             print(task.cancel())
         #             continue
         #     print(time.time()-start)
         
         
         

      4. m3u8_combine.py：合成ts文件为mp4格式

         # 整合所有ts文件，保存为mp4格式
         import os
         import sys
         import shutil
         def tsToMp4():
             print("开始合并...")
             root = r"D:\Movie\vip7"
             outdir = r"D:\Movie\output"
             #很重要，一定要切换到目录下
             os.chdir(root)
             if not os.path.exists(outdir):
                 os.mkdir(outdir)
             os.system("copy /b *.ts new.mp4")
             os.system("move new.mp4 {}".format(outdir))
             print("结束合并...")
         tsToMp4()
         
         

      5. 如果存在普通电影爬取所说的能看而时长错误，可以使用ffmpeg转码

                 强烈建议大家注册为会员观看vip电影，电影爬取仅为学习使用，不可作为商业用途，产生侵权等法律问题由当事人承担
                                                书写不易，请留有余香

单线程多任务协程vip电影爬取

原文：https://www.cnblogs.com/hypzju/p/12611395.html