python爬取视频--下载2019巴菲特股东大会直播视频

项目背景

今天一个朋友想下载东方财富网上的2019巴菲特股东大会直播视频，我觉得还挺有趣，之前没有爬取过视频，所以研究了下，用python实现了爬取这个视频。

其实，以现在的带宽网速及wifi普及，我们已经很少去下载视频了，很多视频，都是直接在线观看，但偶尔也有下载的需求，比如下载课程视频，或者下载一些视频后，剪辑合成一些视频，或者下载一些你觉得比较重要有帮助的视频，就像这个例子一样，巴菲特的股东大会视频对很多投资者来说，还是很有价值的。

项目思路

• 确定相关的url
• 爬取相应的ts文件
• 合并ts文件

以下是要爬取的视频网站

url = "http://finance.eastmoney.com/a/201905041112402538.html"

F12打开开发者模式，Netwoking下，选择XHR，当视频播放时，会产生如下的带.ts的url，这实际上将整个视频，分成了众多的小视频片段，任意选择一个，复制网址，打开就会直接下载一个.ts格式的视频小片段，可以直接用播放器播放。所以，我们就是要爬取这些小视频片段，然后合并成一个视频即可。

 

这样看问题就简单多了，获取或者构造.ts的url，然后去爬取下载视频即可。

分析ts url

比较url_1和url_3，我们会发现，.ts前边是1和14，如果我们看了其他的ts url，会发现就是划分的视频小片段，而且一般划分数量都不少，这里有178个。

比较url_1和url_2，都是在14.ts下的，只不过后边start, end不一样，我们直接去掉 “？”后边的部分，打开前半部分的url后，可以下载整个14片段的视频，相当于这边视频片段14又进行了子划分，我们只需构造问号前半部分的url即可。

再比较url_1和url_3前半部分url，会发现只有“3228861720_780805890_14.ts” 与 “3228861720_1565367120_1.ts”这部分是不一样的，问题简化为，找到或者构造出这部分的内容，发现中间部分很难直接构造。

url_1:
http://1252033264.vod2.myqcloud.com/4697b79evodcq1252033264/3cea53065285890788726506999/
3228861720_780805890_14.ts?start=15163892&end=16534411&type=mpegts

url_2:

http://1252033264.vod2.myqcloud.com/4697b79evodcq1252033264/3cea53065285890788726506999/
3228861720_780805890_14.ts?start=12526252&end=15163891&type=mpegts

url_3:
http://1252033264.vod2.myqcloud.com/4697b79evodcq1252033264/3cea53065285890788726506999/
3228861720_1565367120_1.ts?start=8069900&end=9171203&type=mpegts

这块让我很郁闷，看了网上的帖子后，继续分析Networking, 直到我发现了含有.m3u8的url，我直接打开后，或者打开去掉url后边的参数部分，会下载一个.m3u8的文件。打开文件后，发现里边包含了我们需要字段名，所以构造url的问题也解决了，访问这个网址获取文本内容，正则表达式匹配我们需要的部分，然后就可以构造我们的url了。

http://1252033264.vod2.myqcloud.com/4697b79evodcq1252033264/3cea53065285890788726506999/
playlist.m3u8?t=5f37a52f&exper=0&us=7106fcd370&sign=86432b5694bc6b668690312c790d7d11

以下是代码：

# -*- coding:utf-8 -*-
import requests
import re
from urllib.request import urlretrieve
import os
from concurrent.futures import ThreadPoolExecutor
from shutil import rmtree


class DownloadVideo:
    def __init__(self, m3u8_url):
        self.m3u8_url = m3u8_url
        self.ts_url = []
        self.count = 0

    # 分析networking中，可以找到一个m3u8的链接，其包含了所有ts video的url名字
    def get_ts_url(self):
        m3u8_text = requests.get(self.m3u8_url).text
        # 正则表达式获取.ts的字段
        re_list = re.findall(r".*?\.ts", m3u8_text)
        for ts_name in re_list:
            # 拼接出ts的url
            pre_url = re.match(r"(.*?/)[A-Za-z0-9._]+\.m3u8.*", self.m3u8_url).group(1)
            target_url = pre_url + ts_name
            if target_url not in self.ts_url:
                self.ts_url.append(target_url)
        return self.ts_url

    # 下载单个ts文件
    def __download_ts(self, url, i):
        # 创建存放ts的文件夹
        path = os.getcwd() + "/ts_file"
        if not os.path.exists(path):
            os.makedirs(path)
        name = "%03d" % i + ".ts"
        filename = path + "/" + name
        # 开始下载ts
        urlretrieve(url, filename=filename)

    # 多进程下载
    def pool_download(self):
        print("需要下载%d个文件" % len(self.ts_url))
        print('正在下载...所需时间较长，请耐心等待...')
        pool = ThreadPoolExecutor(max_workers=16)
        pool.map(self.__download_ts, self.ts_url, range(1, len(self.ts_url)+1))
        pool.shutdown()
        print("下载完成")

    def merge_ts(self):
        file = os.getcwd() + "\\ts_file\\*.ts"
        target = os.getcwd() + "\\video.ts"
        cmd = "copy /b " + file + " " + target
        try:
            print("开始合并ts文件...")
            os.system(cmd)
            print("完成ts文件合并")
            # 合并完成后，删除其余的ts文件
            rmtree(os.getcwd() + "\\ts_file")
        except Exception as e:
            print(e)

    def execute(self):
        self.get_ts_url()
        print("获取ts url...")
        self.pool_download()
        self.merge_ts()
        print("完成")


if __name__ == "__main__":
    url = "http://1252033264.vod2.myqcloud.com/4697b79evodcq1252033264/3cea53065285890788726506999/playlist.m3u8?"
    download_video = DownloadVideo(url)
    download_video.execute()

几点说明：

1. 根据ts url下载视频，我们采用了urllib.request模块下的 urlretrieve（url, filename=filename）函数来下载ts视频片段
2. 在__download_ts中，下载ts前，会在当前工作目录下，创建./ts_file文件夹，用来临时存放下载的ts文件，后期合并后（函数merge_ts），会通过shutil.rmtree来移除整个ts_file文件夹和ts文件。
3. 我们采用多进程进行下载，使用了concurrent.futures模块中的ThreadPoolExecutor（max_woker=16），以及map(func, iterable)函数，来实现多进程下载。

 

PS: 如果你有疑问，或者意见、建议，欢迎讨论！！！