Python基于Selenium实现爬取网络视频

---

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

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

---

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

1. Windows系统
2. 已安装Python3
3. 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

因为这里已经安装了，所以提示已满足。

2.验证

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

1. 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)
   
2. 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/
   
3. 点击该目录，然后下载红框标注的版本就行。
   
4. 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。
   

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。
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

1. 首先我们先看下我们需要爬取的页面的整体架构
   
   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。

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：

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：

1. 视频url是m3u8的。
2. 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。