一、背景介绍
1.1 爬取目标
用python开发了一个抖音爬虫采集软件,可自动按博主抓取其已发布视频数据。
为什么有了源码还开发界面软件呢?方便不懂编程代码的小白用户使用,无需安装python,无需改代码,双击打开即用!
软件界面截图:
爬取结果截图:
结果截图1:
结果截图2:
结果截图3:
以上。
1.2 演示视频
软件使用演示:(不懂编程没关系,了解软件的作用和使用方法就行)
原文1.2章节
1.3 软件说明
几点重要说明:
以上。
二、代码讲解
2.1 爬虫采集模块
首先,定义接口地址作为请求地址:
# 请求地址 | |
url = 'https://www.douyin.com/aweme/v1/web/aweme/post/' |
定义一个请求头,用于伪造浏览器:
# 请求头 | |
h1 = { | |
"Accept": "application/json, text/plain, */*", | |
"Accept-Encoding": "gzip, deflate", | |
"Accept-Language": "zh-CN,zh;q=0.9", | |
"Cookie": self.cookie_val, | |
"Priority": "u=1, i", | |
"Referer": "https://www.douyin.com/user/{}?vid=7325137998331399435".format(user_id), | |
"Sec-Ch-Ua": '"Not_A Brand";v="8", "Chromium";v="120", "Google Chrome";v="120"', | |
"Sec-Ch-Ua-Mobile": "?0", | |
"Sec-Ch-Ua-Platform": "macOS", | |
"Sec-Fetch-Dest": "empty", | |
"Sec-Fetch-Mode": "cors", | |
"Sec-Fetch-Site": "same-origin", | |
"User-Agent": ua, | |
} |
说明一下,cookie是个关键参数。
其中,cookie的获取方法,如下:
这个值非常重要,软件界面需要填写!!
加上请求参数,告诉程序你的爬取条件是什么:
# 请求参数 | |
params = { | |
"device_platform": "webapp", | |
"aid": "6383", | |
"channel": "channel_pc_web", | |
"sec_user_id": user_id, | |
"max_cursor": max_cursor, | |
"locate_item_id": "7325137998331399435", | |
"locate_query": "false", | |
"show_live_replay_strategy": "1", | |
"need_time_list": "0", | |
"time_list_query": "0", | |
"whale_cut_token": "", | |
"cut_version": "1", | |
"count": 10, | |
"publish_video_strategy_type": "2", | |
"pc_client_type": "1", | |
"version_code": "170400", | |
"version_name": "17.4.0", | |
"cookie_enabled": "true", | |
"screen_width": "1440", | |
"screen_height": "900", "browser_language": "zh-CN", | |
"browser_platform": "MacIntel", | |
"browser_name": "Chrome", | |
"browser_version": "120.0.0.0", | |
"browser_online": "true", | |
"engine_name": "Blink", | |
"engine_version": "120.0.0.0", | |
"os_name": "Mac OS", | |
"os_version": "10.15.7", | |
"cpu_core_num": "4", | |
"device_memory": "8", | |
"platform": "PC", | |
"downlink": "1.35", | |
"effective_type": "3g", | |
"round_trip_time": "550", | |
"webid": "7312681406147921448", | |
"msToken": "Bjgl7yWKL7c57PFiwM6V4UWZ54Lm_eh4gjFdyOkX4xV93SpMHyyPMdO1u9j_OvsvgjtNNQFhaK9rWs2G8o7had3VtbDQuuaA41G3yFif70ssE_5ZnqQ6rg", | |
} |
下面就是发送请求和接收数据:
# 发送请求 | |
r = requests.get(url, headers=h1, params=params) | |
print(r.status_code) | |
# 以json格式接收返回数据 | |
json_data = r.json() |
定义一些空列表,用于存放解析后字段数据:
# 定义空列表 | |
title_list = [] # 视频标题 | |
tag_list = [] # 视频标签 | |
link_list = [] # 视频链接 | |
author_name_list = [] # 作者昵称 | |
uid_list = [] # uid | |
sec_uid_list = [] # sec_uid | |
author_link_list = [] # 作者链接 | |
follower_count_list = [] # 作者粉丝数 | |
create_time_list = [] # 发布时间 | |
is_top_list = [] # 是否置顶 | |
like_count_list = [] # 点赞数 | |
comment_count_list = [] # 评论数 | |
collect_count_list = [] # 收藏数 | |
share_count_list = [] # 转发数 |
循环解析字段数据,以"视频标题"为例:
for v in video_list: | |
# 视频标题 | |
title = v['desc'] | |
self.tk_show('视频标题:' + title) | |
title_list.append(title) |
其他字段同理,不再赘述。
最后,是把数据保存到csv文件:
# 保存数据到DF | |
df = pd.DataFrame( | |
{ | |
'页码': page, | |
'作者昵称': author_name_list, | |
'uid': uid_list, | |
'sec_uid': sec_uid_list, | |
'作者链接': author_link_list, | |
'作者粉丝数': follower_count_list, | |
'视频标题': title_list, | |
'视频标签': tag_list, | |
'视频链接': link_list, | |
'发布时间': create_time_list, | |
'是否置顶': is_top_list, | |
'点赞数': like_count_list, | |
'评论数': comment_count_list, | |
'收藏数': collect_count_list, | |
'转发数': share_count_list, | |
} | |
) | |
if os.path.exists(self.result_file): # 如果文件存在,不再设置表头 | |
header = False | |
else: # 否则,设置csv文件表头 | |
header = True | |
df.to_csv(self.result_file, mode='a+', index=False, header=header, encoding='utf_8_sig') | |
self.tk_show('保存csv文件成功:' + self.result_file) |
完整代码中,还含有:判断循环结束条件、js逆向参数、时间戳转换、判断置顶视频等关键实现逻辑。
2.2 软件界面模块
主窗口部分:
# 创建主窗口 | |
root = tk.Tk() | |
root.title('抖音博主视频采集软件v1.1 | 马哥python说 |') | |
# 设置窗口大小 | |
root.minsize(width=850, height=650) |
输入控件部分:
# 用户链接 | |
tk.Label(root, justify='left', text='用户链接:').place(x=30, y=125) | |
entry_nt = tk.Text(root, bg='#ffffff', width=110, height=14, ) | |
entry_nt.place(x=30, y=150, anchor='nw') # 摆放位置 |
底部版权部分:
# 版权信息 | |
copyright = tk.Label(root, text='@马哥python说 All rights reserved.', font=('仿宋', 10), fg='grey') | |
copyright.place(x=290, y=625) |
以上。
2.3 日志模块
好的日志功能,方便软件运行出问题后快速定位原因,修复bug。
核心代码:
def get_logger(self): | |
self.logger = logging.getLogger(__name__) | |
# 日志格式 | |
formatter = '[%(asctime)s-%(filename)s][%(funcName)s-%(lineno)d]--%(message)s' | |
# 日志级别 | |
self.logger.setLevel(logging.DEBUG) | |
# 控制台日志 | |
sh = logging.StreamHandler() | |
log_formatter = logging.Formatter(formatter, datefmt='%Y-%m-%d %H:%M:%S') | |
# info日志文件名 | |
info_file_name = time.strftime("%Y-%m-%d") + '.log' | |
# 将其保存到特定目录,ap方法就是寻找项目根目录,该方法博主前期已经写好。 | |
case_dir = r'./logs/' | |
info_handler = TimedRotatingFileHandler(filename=case_dir + info_file_name, | |
when='MIDNIGHT', | |
interval=1, | |
backupCount=7, | |
encoding='utf-8') |
日志文件截图: