解析网站爬取腾讯vip视频

今天用油猴脚本vip一件解析看神奇队长。想到了问题，这个页面应该是找到了视频的api的接口，通过接口调用获取到了视频的地址。

那自己找腾讯视频地址多费劲啊，现在越来越多的参数，眼花缭乱的。

那我就找到这个能够解析vip视频的，解析网站的视频地址，不就OK了。

network上发现，这个视频是通过ts流的形式。

并且还有视频地址和index.m3u8，但是我们怎么获得这些20190527/参数呢。（m3u8中有一部电影的所有ts流参数）

我找到了个api.php，即接口地址，访问，返回json数据。

url: http://p.p40.top/api.php?url=https%3A%2F%2Fv.qq.com%2Fx%2Fcover%2Fxyne4253g35nak3%2Fm0031od9ekb.html

看到了视频流所在地址，然后访问地址，可以直接下载m3u8文件，文件中就是ts流参数了。

因此思路就是：用py模拟浏览器向解析网站的api.php请求你想看的vip视频的url即http://p.p40.top/api.php?url=https%3A%2F%2Fv.qq.com%2Fx%2Fcover%2Fxyne4253g35nak3%2Fm0031od9ekb.html

然后正则匹配到m3u8的地址，去请求后，下载到本地，打开匹配ts流的数字id。

发现视频地址就是api返回的json数据的url+/1000k/hls/xxx

然后依次下载完ts流文件后，保存到本地。再转化成mp4，明儿实现。网上有些现成的。我试着改编下。

这样父母不需要怎么操作，我直接下下来本地给他们看就好了。嘿嘿

脚本如下：

# -*- coding: UTF-8 -*-
import requests
import re
import os,shutil
from urllib.request import urlretrieve
from multiprocessing import Pool

def cbk(a,b,c):
    '''''回调函数
    @a:已经下载的数据块
    @b:数据块的大小
    @c:远程文件的大小
    '''
    per=100.0*a*b/c
    if per>100:
        per=100
    print('%.2f%%' % per)

def get_api_data(QQ_film_url): #正则匹配获取api返回的index.m3u8链接地址
    api_url='http://p.p40.top/api.php'
    user_agent={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
    get_url=api_url+'?url='+QQ_film_url
    print(get_url)
    response=requests.get(get_url,headers=user_agent).text
    pattern=re.compile('url.*?m3u8')
    get_data=pattern.findall(response)[0][6:].replace('\','')
    return get_data


def m3u8_download(m3u8_url):#获取下载m3u8文件
    if os.path.exists('F:\vip电影\index.m3u8')!=True:#判断文件是否已经存在，存在则不操作。不存在才下载。
        urlretrieve(url=m3u8_url, filename=path, reporthook=cbk)
    else:
        print(path+'已存在')


def get_ts():#通过m3u8文件，正则匹配需要的ts流
    with open(path)as f:
        data=f.read()
    pattern=re.compile('.*.ts')
    get_ts_data=re.findall(pattern,data)
    return get_ts_data


def ts_download(ts_list):#下载ts流
    try:
        ts_url = m3u8_url[:-10]+'{}'.format(ts_list)#获取ts流 url地址
        urlretrieve(url=ts_url, filename=path[:-10] + r'\' + '{}'.format(ts_url[-8:]))
    except Exception:
        print(ts_url+'保存文件错误')



def pool(ts_list):#多进程爬取所有的ts流到文件夹中,参考的那个py脚本，没用过pool进程池
    print('经过计算，需要下载%s个文件'%len(ts_list))
    print(ts_list[0])
    pool=Pool(16)
    pool.map(ts_download,[i for i in ts_list])
    pool.close()
    pool.join()
    print('下载完成')
    ts_to_mp4()


def ts_to_mp4():
    print('dos实现ts合并为mp4')
    str = 'copy /b ' + r'F:vip电影' + '*.ts ' + ' '+ r'F:vip电影gogogo' + 'jingqi.mp4'
    os.system(str)
    if os.path.exists('F:\vip电影\gogogo\jingqi.mp4')==True:
        print('good job')



path = 'F:\vip电影\index.m3u8'
url = 'https://v.qq.com/x/cover/xyne4253g35nak3/m0031od9ekb.html'
m3u8_url = get_api_data(url)[:-10] + '1000k/hls/index.m3u8'
print(m3u8_url)
m3u8_download(m3u8_url)
ts_list = get_ts()
if __name__ == '__main__':
    pool(ts_list)

　　

 成功，可能是多进程模块的问题，还是出现了将近15个文件错误。少了15个文件，但是为啥爬下来的时长比腾讯视频里的还长。

脚本还有很多地方都可以改进（锻炼自己写脚本的能力），改成类的调用，通过类中的self，一个函数接着一个函数调用。并且试试用多线程试试，多进程总有奇怪的问题，不统一。

看了一会儿，发现，观影视觉极差，我感觉丢失的不止是15个文件，音话都不同步了，是不是直接copy拼接命令有瑕疵。有待研究