前言

嗨喽，大佬们好鸭！这里是小熊猫🖤~

今天我们采集国内知名的shipin弹幕网站！

这里有及时的动漫新番,活跃的ACG氛围,有创意的Up主。

大家可以在这里找到许多欢乐。

python方向

• 爬虫程序 >>> 爬虫工程师 采集数据处理
• 网站开发 >>> 开发工程师
• 数据分析 >>> 数据分析师 处理表格 word
• 自动化
• 游戏开发/辅助
• 人工智能/机器学习 深度学习
• 自动化测试 运维

环境使用:

• Python 3.8
• Pycharm 2021.2版本
• ffmpeg

<需要设置环境变量> 软件的使用 合成视频和音频

需要私我领取

模块使用:

需要安装模块

• import requests >>> pip install requests

内置模块 你安装好python环境就可以了

• import re
• import json
• import subprocess

秘籍 <适用于任何网站, 采集任何数据>

一. 数据来源分析 点击此处领取免费资料

1. 确定自己需求 <采集网站是那个, 获取数据是什么东西>
2. 通过开发者工具进行抓包分析, 分析我们想要数据内容来自于哪里 <通过网页源代码就可以找到相应数据内容>
   shipin信息数据 在网页源代码里面 playinfo里面
   shipin标题

我们想要数据内容都是来自于网页源代码

I. 用浏览器打开这个所采集的网址

II. 在这个网页上面用鼠标右键点击查看网页源代码 会弹出一个新的窗口

III. ctrl + F 打开搜索框 搜索playinfo 可以找到相关信息数据

IV. ctrl + F 打开搜索框 搜索shipin标题, 也可以找到相关的数据内容

二. 代码实现步骤过程 基本四大步骤

1. 发送请求, 模拟浏览器对于url网址发送请求 <专门定义函数来发送请求>
2. 获取数据, 获取网页源代码
3. 解析数据, 提取我们想要数据内容 <shipin信息以及shipin标题>
4. 保存数据, 把shipin内容保存本地

代码 点击此处领取免费资料

1. 导入所需模块

不是内置模块的小可耐们记得安装哦~

import requests  # 数据请求模块 <发送请求工具>
import re  # 正则表达式
import json  # 序列化与反序列
import pprint  # 格式化输出模块
import subprocess
import os
1
2
3
4
5
6

因审核机制原因，我把网址里的一些东西删掉了，小可耐们可以自己添加一下哈，很容易的

还有两个字，我用拼音代替了，你们可以改回文字哦 ~

如果有不太会改或者有点点小懒惰的小可耐也可以私信我，我发你呐~

2. 模拟浏览器发送请求

def get_response(html_url, data=None):
    """
    发送请求函数
    def 关键字 用于自定义函数 get_response 自定义函数名字
    :param html_url:  形式参数<不具备实际意义> 传入到这个函数参数  发送请求网址
    :return: 响应对象

    模拟浏览器发送请求
        headers 请求头进行伪装模拟 user-agent 用户代理意思 表示浏览器基本身份标识
    <Response [200]>   <>在python里面表示对象 响应对象 200 状态码 表示请求成功

    相当于打电话, 打通了嘟嘟嘟声音
    404 网址不对      相当于你所拨打电话是空号
    503 服务器有问题   相当于你所拨打电话不在服务区
    403 你没有访问权限  相当于你所拨打电话正在通话中
    """
    headers = {
        'referer': 'https://www..com/',  # 防盗链 告诉服务器你请求url是从哪里跳转过来的
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
    }
    response = requests.get(url=html_url, params=data, headers=headers)
    return response
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

3. 获取数据 点击此处领取免费资料

def get_video_info(play_url):
    """
    获取shipin信息函数
    :param play_url: shipin播放详情页
    :return: 信息shipin信息
    仰望星空脚踏实地
    不会用正则 6 通过相关语法,可以对于字符串数据提取自己想要内容 解析数据
    re.findall() 通过re模块里面findall 去找到所有我们想要数据内容
        从什么地方去找什么样数据内容  从response.text里面去找 "title":"(.*?)","pubdate" 中(.*?) 这段是我们想要数据
        '"title":"(.*?)","pubdate"', response.text
    保存数据, 标题作为文件名保存, 以字符串数据形式 列表取值
    len 统计元素个数 [0] 根据索引位置取值 列表索引位置从0开始计数
    type() 内置函数,查看数据类型
    """
    # 定义了函数, 一定要调用
    response = get_response(html_url=play_url)  # 调用前面定义好的发送请求函数 函数是可以重复调用
    # print(response.text)  # response.text 获取响应对象文本数据 <获取网页源代码>  字符串数据
    title = re.findall('"title":"(.*?)","pubdate"', response.text)[0].replace(' ', '')  # 标题
    title = re.sub(r'[/\:*?"<>|]', '', title)
    html_data = re.findall('<script>window.__playinfo__=(.*?)</script>', response.text)[0]  # 视频信息
    # print(title)
    # print(html_data)
    # print(type(html_data))
    # 为了方便提取数据, 可以把这个html_data 转成json字典数据
    json_data = json.loads(html_data)
    # print(json_data)
    # print(type(json_data))  # 输出一行
    # 字符串单双引号使用  外面是单引号里面就要使用双引号
    # pprint.pprint(json_data)  # 格式化展开效果
    # 字典取值, 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>
    audio_url = json_data['data']['dash']['audio'][0]['baseUrl']
    video_url = json_data['data']['dash']['video'][0]['baseUrl']
    print(audio_url)
    print(video_url)
    video_info = [title, audio_url, video_url]
    return video_info
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

4. 保存数据 点击此处领取免费资料

def save(title, audio_url, video_url):
    """
    保存数据函数
    :param title: shipin标题
    :param audio_url: 音频url
    :param video_url: shipin画面url
    :return:
    """
    audio_content = get_response(html_url=audio_url).content
    video_content = get_response(html_url=video_url).content
    with open('video\\' + title + '.mp3', mode='wb') as f:
        f.write(audio_content)
    with open('video\\' + title + '.mp4', mode='wb') as f:
        f.write(video_content)
    cmd = f"ffmpeg -i video\\{title}.mp4 -i video\\{title}.mp3 -c:v copy -c:a aac -strict experimental video\\{title}output.mp4"
    subprocess.run(cmd, shell=True)
    os.remove(f'video\\{title}.mp4')
    os.remove(f'video\\{title}.mp3')
    print('')
    print(title, '视频下载完成')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

5. 实现搜索功能

def get_search(page, word):
    """

    :param page: 采集多少页
    :param word: 搜索关键字
    :return:
    """
    search_url = 'https://api..com/x/web-interface/search/type'
    data = {
        '__refresh__': 'true',
        '_extra': '',
        'context': '',
        'page': page,
        'page_size': '42',
        'from_source': '',
        'from_spmid': '333.337',
        'platform': 'pc',
        'highlight': '1',
        'single_column': '0',
        'keyword': word,
        'category_id': '',
        'search_type': 'video',
        'dynamic_offset': '84',
        'preload': 'true',
        'com2co': 'true',
    }
    json_data = get_response(html_url=search_url, data=data).json()
    bv_list = [i['bvid'] for i in json_data['data']['result']]
    print(bv_list)
    return bv_list

# 6. 采集多个shipin
def get_up_video(page, up_id):
    """
    采集up多个shipin
    :param page: 采集多少页
    :param up_id: shipin博主ID
    :return:
    """
    up_link = 'https://api..com/x/space/arc/search'
    data = {
        'mid': up_id,
        'ps': '30',
        'tid': '0',
        'pn': page,
        'keyword': '',
        'order': 'pubdate',
        'jsonp': 'jsonp',
    }
    json_data = get_response(html_url=up_link, data=data).json()
    bv_list = [i['bvid'] for i in json_data['data']['list']['vlist']]
    print(bv_list)
    return bv_list
    
# 7. 获取id
def main(bv_id):
    """
    主函数
    :param bv_id: shipin bv号
    :return:
    """
    video_info = get_video_info(play_url=f'https://www..com/video/{bv_id}')
    save(video_info[0], video_info[1], video_info[2])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63

8. 一个简单的操作界面 点击此处领取免费资料

if __name__ == '__main__':
    # 只要你可以看到数据
    msg = """请输入你要进行的操作:
        A. 多页数据采集
        B. 采集单个shipin
        C. 采集番剧
        D. 采集某个Up所有shipin内容
        0. 即可退出系统
    """
    while True:
        print(msg)
        kew_word = input('请输入你要进行的操作: ')
        if kew_word == 'A' or kew_word == 'a':
            word = input('请输入你想要下载shipin关键字: ')
            page = input('请输入你想要下载shipin页数: ')
            for num in range(1, int(page) + 1):
                bv_list = get_search(page=num, word=word)

        elif kew_word == 'B' or kew_word == 'b':
            bv = input('请输入你想要下载shipinBv号: ')
            

        elif kew_word == 'C' or kew_word == 'c':
            print('功能还没上线')

        elif kew_word == 'D' or kew_word == 'd':
            up_id = input('请输入你想要下载up主ID: ')
            page = input('请输入你想要下载shipin页数: ')
            for num in range(1, int(page) + 1):
                get_up_video(page=num, up_id=up_id)

        elif kew_word == '0':
            break

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

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~

我是小熊猫， 咱们下篇文章见啦🖤