python抓取、解析、下载小电影

前言

一到周末就想搞点有意思的事，比如之前分享的arduino开发，比如上周分享的博客爬虫，今天我又想搞点有意思的事，所以就有了今天的内容——python爬取m3u8视频资源。不过需要在这里需要着重说明的是，技术无罪，切勿用技术搞违法犯罪的事，不然日子真的就越来越有判头了。

知识扩展

在开始抓取m3u8视频之前，我们先了解下m3u8的相关知识，了解的更多，可以让我们少走弯路。

m3u8是什么？

在此之前，我仅仅知道m3u8是一种网络串流，在平时娱乐时候会找一些m3u8的资源，看看直播啥的，直到今天要分享m3u8的相关内容，才真正开始搜集m3u8的相关知识点。关于m3u8连百度百科都没有说明，搜到知乎一篇内容（【全网最全】m3u8到底是什么格式？一篇文章搞定m3u8下载），下面的原理图也是参照的这篇内容：

从上面的原理图中我们可以得到以下知识点：

• 首先m3u8并非是视频格式，而是视频文件的索引。
• ts文件才是我们真正播放的视频资源。ts是日本高清摄像机拍摄下进行的封装格式，全称为MPEG2-TS。ts即"Transport Stream"的缩写。MPEG2-TS格式的特点就是要求从视频流的任一片段开始都是可以独立解码的。

m3u8通常分两种格式，一种是单码率（固定分辨率），一种是多码率（包含多种分别率）。下面就是一个单码率的m3u8文件的内容：

#EXTM3U
#EXT-X-VERSION:3
#EXT-X-TARGETDURATION:10
#EXT-X-MEDIA-SEQUENCE:1619459525
#EXT-X-PROGRAM-DATE-TIME:2021-10-23T05:39:42Z
#EXTINF:10.0,
1634967582-1-1619459525.hls.ts
#EXT-X-PROGRAM-DATE-TIME:2021-10-23T05:39:52Z
#EXTINF:10.0,
1634967592-1-1619459526.hls.ts
#EXT-X-PROGRAM-DATE-TIME:2021-10-23T05:40:02Z
#EXTINF:10.0,
1634967602-1-1619459527.hls.ts

这个就是一个多码率的m3u8文件，从多码率的文件格式可以看出来，多码率中包括了多个单码率是m3u8文链接：

#EXTM3U
#EXT-X-STREAM-INF:PROGRAM-ID=1,BANDWIDTH=500000,RESOLUTION=480x270
500kb/hls/index.m3u8
#EXT-X-STREAM-INF:PROGRAM-ID=1,BANDWIDTH=300000,RESOLUTION=360x202
300kb/hls/index.m3u8

m3u8文件指令

另外我在另外一篇博客发现m3u8其实是m3u文件的扩展（参考文档2），这可能就是为什么没有找到m3u8相关词条的原因吧，同时在m3u的词条中发现了M#U文件的指令描述（每个字段的含义）：

#EXTM3U //必需，表示一个扩展的m3u文件

#EXT-X-VERSION:3 //hls的协议版本号，暗示媒体流的兼容性

#EXT-X-MEDIA-SEQUENCE:xx //首个分段的sequence number

#EXT-X-ALLOW-CACHE:NO //是否缓存

#EXT-X-TARGETDURATION:5 //每个视频分段最大的时长（单位秒）

#EXT-X-DISCONTINUITY //表示换编码

#EXTINF: //每个切片的时长

另外关于m3u的文件指令是有国际标准的，感兴趣的小伙伴可以去看下：

http://tools.ietf.org/html/draft-pantos-http-live-streaming-06

好了，关于m3u8的相关内容，我们就说这么多，感兴趣的小伙伴可以自己继续探索，下面我们看下如何用python抓取、解析和下载m3u8文件索引中的视频文。

抓取、解析、下载

首先我们先要拿到目标视频资源的索引文件，也就是m3u8文件。一般稍微懂点web开发的小伙伴，应该都知道浏览器抓包吧，F12打开浏览器控制台，然后选择Network，刷新下页面，在左侧资源区找到index.m3u8文件。

通常会有两个m3u8，第一个是获取视频码率列表的，也就是多码率m3u8，这个文件我们是没办法直接解析的，我们要找的是包含ts视频资源的m3u8文件。这里我随便在网上搜了一个葫芦娃的视频，然后通过控制台拿到m3u8文件地址：

https://vod1.bdzybf1.com/20200819/wMgIH6RN/1000kb/hls/index.m3u8

下面我们就用python解析下载这个视频文件。

解析m3u8文件

解析m3u8文件最核心的地方是分析m3u8的文件结构，然后根据其文件内容写出对应的解析逻辑。这里我推荐直接用requests库模拟调用，然后分析响应结果，因为用文本工具之类的查看m3u8文件的话，换行符\n、制表符\t这些看起来不够直观，但是requests就不会有这个问题，因为我们解析的就是requests的响应结果。

这里的以我们上面m3u8文件为例响应结果如下：

可以清晰地看出，这个m3u8文件是通过换行符\n分割的，有部分m3u8文件中会出现制表符和换行符组合的情况，所以具体情况具体分析。

另外，我从响应内容中发现，这个视频资源是进行了AES-128加密的，所以后面在下载视频资源的时候要解密。

解析ts视频地址

因为python代码都很简单，代码量也不多，所以就不展开讲了，看代码注释应该可以看懂。这个方法主要是为了获取ts视频文件的地址。

import requests

def getTsFileUrlList(m3u8Url):
    # 组装请求头
    headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
            }
    # 请求 m3u8文件，并拿到文件内容
    ts_rs = requests.get(url = m3u8Url, headers=headers).text
    print(ts_rs)
    # 换行符分割文件内容
    list_content = ts_rs.split('\n');
    print('list_content:{}'.format(list_content))
    player_list = []
    # 循环分割结果
    for line in list_content:
      # 以下拼接方式可能会根据自己的需求进行改动
      if '#EXTINF' in line:
        continue;
      # 仅记录 ts文件地址  
      elif line.endswith('.ts'):
        player_list.append(line)
    print('数据列表组装完成-size: {}'.format(len(player_list)));
    return player_list;

运行上面这个方法的话，最终会获取到m3u8索引文件中所有的ts视频地址，但是由于我们刚才已经从m3u8文件中发现了，视频资源是加密的，所以在下载的时候我们需要解密。

下载文件

这里的方法是下载并解密视频资源，这里我加了一个解密操作，因为注释够清晰，所以我也不过多赘述了

def fileDownloadWithdecrypt(fileSavePath, player_list):
    # 创建文件夹
    if not os.path.exists(fileSavePath):
        os.mkdir(fileSavePath);
    # 循环 ts 视频资源列表
    for index, url in enumerate(player_list):
        # 发送下载请求
        ts_video = requests.get(url = url, headers=headers)
        # 保存文件
        with open('{}/{}.ts'.format(fileSavePath, str(index + 1)), 'wb') as file:
            # 视频资源解密
            context = decrypt(ts_video.content);
            # 文件写入
            file.write(context)
            print('正在写入第{}个文件'.format(index + 1))
    print('下载完成');

下面是解密代码

from Crypto.Cipher import AES   # 用于AES解码

def decrypt(context):
    # 加密的key
    key =  b'2cd1da2aedacaec8';
    # 解密
    cryptor = AES.new(key, AES.MODE_CBC, key);
    decrypt_content = cryptor.decrypt(context);
    return decrypt_content;

这里用的是pycryptodome库，安装方式如下：

 pip3 install pycryptodome

关于密文，在m3u8文件里面已经有了，直接下载就可以拿到，这里我就不通过代码拿了：

这里下载视频会比较费时间，为了提高下效率可以用多线程，但是由于时间的关系就不演示了。

合并视频

合并视频就更简单了，就是讲前面我们保存的视频合并成一个完整的视频，合并完之后的格式是mp4。

def fileMerge(filePath):
    # 查询出文件中的ts文件
    c = os.listdir(filePath)
    # 打开视频保存文件
    with open('%s.mp4' % filePath, 'wb+') as f:
      # 循环
      for i in range(len(c)):
        # 打开 ts 视频文件
        x = open('{}/{}.ts'.format(filePath, str(i + 1)), 'rb').read()
        f.write(x)
    print('合并完成')

我看了下，短短的一集葫芦娃，总共被分割成272个ts文件（好像比这个多，我没下载完就把网断了）：

272个ts文件合并成一个视频文件:

好了，到这里我们python爬取m3u8视频资源的实例就结束了，今天的示例还算比较完美，目标也比较完美的达成了。

完整代码如下：

import requests
import os
from Crypto.Cipher import AES   # 用于AES解码

headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
            }

def getTsFileUrlList(m3u8Url):
    ts_rs = requests.get(url = m3u8Url, headers=headers).text
    print(ts_rs)
    list_content = ts_rs.split('\n');
    print('list_content:{}'.format(list_content))
    player_list = []
    index = 1;
    for line in list_content:
      # 以下拼接方式可能会根据自己的需求进行改动
      if '#EXTINF' in line:
        continue;
      elif line.endswith('.ts'):
        player_list.append(line)
    print('数据列表组装完成-size: {}'.format(len(player_list)));
    return player_list;    
    
def fileDownloadWithdecrypt(fileSavePath, player_list):
    if not os.path.exists(fileSavePath):
        os.mkdir(fileSavePath);
    for index, url in enumerate(player_list):
        ts_video = requests.get(url = url, headers=headers)
        with open('{}/{}.ts'.format(fileSavePath, str(index + 1)), 'wb') as file:
            context = decrypt(ts_video.content);
            file.write(context)
            print('正在写入第{}个文件'.format(index + 1))
    print('下载完成');
    
    
def fileMerge(filePath):
    c = os.listdir(filePath)
    with open('%s.mp4' % filePath, 'wb+') as f:
      for i in range(len(c)):
        x = open('{}/{}.ts'.format(filePath, str(i + 1)), 'rb').read()
        f.write(x)
    print('合并完成')
    
    
def decrypt(context):
    key =  b'2cd1da2aedacaec8';
    cryptor = AES.new(key, AES.MODE_CBC, key);
    decrypt_content = cryptor.decrypt(context);
    return decrypt_content;
    
    
if __name__ == '__main__':
    m3u8Url = 'https://vod1.bdzybf1.com/20200819/wMgIH6RN/1000kb/hls/index.m3u8';
    videoList = getTsFileUrlList(m3u8Url);
    print(videoList)
    savePath = "./test"
    fileDownloadWithdecrypt(savePath, videoList);
    fileMerge(savePath);

运行上面的代码，你就可以得到一集完整的葫芦娃
当然，如果你能找到资源，用上面这段代码爬取小电影也是可以的

总结

今天的视频爬虫很简单，可以说非常简单，核心技术点也不多，主要涉及如下几点：

• request请求
• 字符串解析（响应结果解析）
• 文件操作
• ASE解密

只需要稍微有一点python基础，就可以做出来，所以这里我也没什么好总结的了。

最后，免费为python做一个无偿广告。我一直觉得python是一门不错的语言，特别是作为脚本使用的时候，真的是太方便了，今天它也依然没有让我失望。

其实严格来说，我学python，但是之前一直诟病于它的缩进语法，所以也就一直没入门，直到做了一段时间java web开发之后，回头再看下python，觉得好简单，于是就又愉快地使用它了，不过用它写脚本真的太爽了，短短几行代码，搞定java一个繁琐的项目，而且用起来也很轻便。

最近一年多的时间，我用它处理过数据、用它跑数据库统计过数据，然后日程工作中我可以用它生成文件目录、爬取资料，也感觉我对它越来越有好感，所以在这里强烈安利各位小伙伴都来学下python，特别是那些非开发岗位的小伙伴，python简直是统计数据的利器，虽然不像广告吹的那么秀，但是技多不压身呀，而且它真的是可以极大提供我们的效率。

最后的最后，再强调下，技术无罪，切勿用技术搞违法犯罪的事，不然日子真的就越来越有判头了！

技术无罪，切勿用技术搞违法犯罪的事，不然日子真的就越来越有判头了！

技术无罪，切勿用技术搞违法犯罪的事，不然日子真的就越来越有判头了！

重要的事情说三遍！！！

另外，今天忙着搞爬虫了，设计模式的类图还没来得及补，明天要加下油了。好了，铁子们，晚安吧

参考内容