python的requests库爬取陈百强《偏偏喜欢你》，使用re库（正则表达式）提取，os系统模块使用，去除‘\‘反爬符号

今天，我听见一首不错的老歌，名字是《偏偏喜欢你》。陈百强大哥唱的，人如其名确实很强！我敬佩的粤语歌手之一。然后，我太难了，整了3个小时，对于我一个学了1个月爬虫的老司机来说真的很尴尬。不过，这次我没有用Selenium库爬取，如果用selenium会很快搞定，不会有问题。下面我们一起体验取经的感觉！！

完整代码：

#encoding = "utf-8"
#Author:"Mr.Pan_学狂"
#start time:2021/2/22/22:30
#finish time:2021/2/23/00:40
#requests库爬取 陈百强 《偏偏喜欢你》
from selenium import webdriver
from lxml import etree
import re
import requests
from urllib.request import urlretrieve
import time
import random
import os
url = 'https://haokan.baidu.com/v?vid=17139400655098661254&pd=bjh&fr=bjhauthor&type=video'
html = requests.get(url,headers=headers).text
#print(html)
#reg = r'<video class="" autoplay="" tabindex="2" mediatype="video" crossorigin="anonymous" src="(.*?)"</video>'video不存在，原因可能是JS的异步加载，网页是动态的。
reg = '"url":(.*?),"videoBps":352'
url = re.findall(reg,html)[0]
reg2 = '<h1 class="videoinfo-title">(.*?)</h1>'
video_name = re.findall(reg2,html)[0]
print(video_name)
print(url)
reg3 = '"(.*?)"'
url2 = re.findall(reg3,url)[0]#将url的引号处理掉！！因为直接用requests访问会进行引号嵌套出错！！
print(url2)#需要对url2进行处理，因为url2有反斜杠访问会出错！！
ls = []
for i in url2:
    ls.append(i)
#print(ls)
while True:
    if '\\' in ls:
        ls.remove('\\')
    else:
        break
print(ls)
url3 = ''
for l in ls:
    url3 += l
print('url3:',url3)

os.mkdir('E:/Example')
video = requests.get(url3,headers=headers)
with open(r'E:/Example/{}.mp4'.format(video_name),'wb+') as f:
       f.write(video.content)

下面，我要讲故事了，首先还是老套路，话不多说一言不合就是干，上来就是各种爬虫需要的库。

我们先去这个视频的网址检查一下元素，如下图：

如果用selenium库爬取这个视频会非常简便，因为直接提取xpath就行了。不过，我们仅用requests和re（正则）提取会麻烦不少，因为会出现下面的状况，按照通常的套路，src是我们正则需要提取的内容。不过这里这个web页面跟我们开了一个小玩笑，因为这个video标签源代码里面不存在（我认为是JS加载出来的，动态的）。这样提取只能得到空列表，什么也没有。做到这里的时候相信大部分刚入门的同志会直接放弃，不要灰心我们还有希望！


的结果，只能是空列表，如下图：

不过，我仔细思考如果这个页面没有这个视频的链接，那肯定链接不过去视频，肯定在这个页面能找到，也就是视频的链接在页面源代码里面可以找到。所以，我直接在pycharm编辑器中按组合键Ctrl+F检查源代码里面是否存在mp4这个词，如下图：

我们会发现又四个mp4对应的链接，我挨个点进去看，发现其实四个都是一样指向视频的链接。然后，我们只要想办法提取其中一个链接就行了。我选择了videoBps的value是352的链接用正则表达式来提取，如下图：


运行结果：

哈哈哈哈哈哈，此处我真的是忍不住笑了。你是不是正高兴爬到链接了？？却是无法访问的字符串。。。。求当时我的心里阴影面积S∈（-∞，+∞）。估计走到这一步，又有一些有一点爬虫经验的小伙伴当场放弃直接开哭。不过，我们要相信自己，坚信希望！

不急，我们的re库6着呢！分分钟给你搞定，运行又高效！如下图：

运行结果，如下图：

引号去除了，是不是很开心？哈哈哈哈哈哈，我又笑了。因为，还没有完哦，取经没有这么容易的。。这个链接你还是不能拿去给requests访问，因为存在转义符\，导致报错，内心当时直接崩溃！搞了半天最后就这样？？就这？？如下图：

淡定！我们不慌仔细观察会发现一个每个转义符\都在/前面，想办法用/替换转义符就行了，我试过了，没有用！！所以，又试了其它的方法，直到最后，我想到了拆散后重组的思想（有点像是分布式），我先把这个有问题的链接拆散再重组的时候不加入转义符就行了！顺着这个思路，我最后找到了出路，成功解决问题！！

说时迟那时快，只见我定义一个列表（容器），然后拆散后放进列表中，如下图：


从这个类似摩斯密码的图中，我们可以看出转义符\在列表（容器）中变成了\，有搞头！
接着，我们需要对列表（容器）内不需要的\使用列表的方法（函数）remove删除。如下图：


哈哈哈哈，终于要取到真经了，高兴！下面的操作就相对简单了，就是定义一个中间变量把列表元素（拆散的单个字符）组合起来，如下图：

结果，very nice！！

这就是最后我们需要的视频链接，散发着胜利的蓝光！！我们点进去看一下：

之后，我们还需要得到视频名称，我们用正则在原始的页面源代码中提取，如下图：

运行结果如下图：

现在，我们视频地址有了，视频名称也有了，可以使用os模块创建一个Example文件夹在E盘用于存放视频，然后开始套路的请求视频地址了，如下图：

大家可以看见我的E盘现在是没有Example文件夹（目录）的，如下图：

运行结果：


自动创建了Example文件夹（目录），并且将视频也放进去了，如下图：

我们点击播放一下，截个图，如下图：

为了陈百强大哥的经典歌曲，去取一次经又何妨？？我们要相信自己，一切困难都会慢慢好起来的。

最后，感谢大家前来观看鄙人的文章，文中或有诸多不妥之处，还望指出和海涵。