Python+Selenium实现短视频热点爬取
随着短视频的大火，不仅可以给人们带来娱乐，还有热点新闻时事以及各种知识，刷短视频也逐渐成为了日常生活的一部分。本文以一个简单的小例子，简述如何通过Pyhton依托Selenium来爬取短视频，仅供学习分享使用，如有不足之处，还请指正。
涉及知识点
1.selenium，作为浏览器端一个自动化测试工具，可以模拟用户操作浏览器的动作，就像是人自己操作浏览器一样。关于selenium的具体信息如下
- Selenium进行元素定位，主要有ID，Name，ClassName，Css Selector，Partial LinkText，LinkText，XPath，TagName等8种方式。
- Selenium获取单一元素（如：find_element）和获取元素数组（如：find_elements）两种方式。
- Selenium元素定位后，可以给元素进行赋值和取值，或者进行相应的事件操作（如：click）。
2.requests，web请求对象，通过selenium获取到视频的url后，再通过requests库进行视频流的获取，然后保存成本地视频文件。
3.浏览器开发者工具，通过开发者工具可以查看页面上某一个按钮或链接等页面元素对应的html标识。
目标分析
在爬取视频之前，需要分析目标结构，本视频爬取分析可分为三步，具体如下所示：
1. 分析热榜目录
热榜目录是一个ul标签，每一个热榜对象一个li子标签，分别包含热度，标题等内容。点击标题链接可以进入具体视频播放页面，目标分析如下所示：
2.分析视频播放页面
视频在video标签中播放，短视频播放的真实地址，在video的source子标签中，且为了保证播放质量，video下有三个source，任取其一即可，如下所示：
3. 分析弹出框
在爬取过程中，经过弹出需要登录的窗口，需要及时关闭掉，否则可能会导致找不到页面元素，从而爬取不成功。如下所示：
核心代码
经过以上分析，就可以编写爬虫代码了，如下所示：
1. 遍历热点目录
通过获取页面上对应的信息，解析出热点视频的目录，如下所示：
self.__driver.get(self.__url)
self.close_popup_window()
# 4. 最大化窗口
self.__driver.maximize_window()
time.sleep(self.__wait_sec)
# 打开以后，根据class=BHgRhxNh获取ul下的li
if self.checkIsExistsByClass(cls='BHgRhxNh'):
# 获取
hots = self.__driver.find_elements(by=By.CLASS_NAME, value='BHgRhxNh')
hot_infos = []
index = 0
for hot in hots:
hot_info = {}
a = hot.find_element(by=By.TAG_NAME, value='a')
href = a.get_attribute("href")
text = a.text
hot_info['url'] = href
hot_info['text'] = text
if index > 0:
div = hot.find_element(by=By.CLASS_NAME, value='GsuT_hjh')
if div is not None:
hot_value = div.find_element(by=By.TAG_NAME, value='span').text
hot_info['value'] = hot_value
hot_infos.append(hot_info)
index = index + 1
print(hot_infos)2. 获取真实短视频url
打开单个热点视频的url，并解析真实短视频播放url，如下所示：
def open_video_html(self, url):
"""打开具体视频的页面"""
self.__driver.get(url=url)
time.sleep(1)
self.close_popup_window() # 关闭弹窗
video = self.__driver.find_element(by=By.TAG_NAME, value='video')
source = video.find_element(by=By.TAG_NAME, value='source')
src = source.get_attribute('src')
return src3. 下载视频
获取真实的url后，即可进行下载，如下所示：
def download_video(self, url, video_name):
"""根据视频源地址进行下载"""
if os.path.exists(video_name):
# 如果已重新下载过，则不需要再次下载
return
else:
with open(video_name, 'wb') as fp:
fp.write(requests.get(url).content)4. 关闭弹出的登录窗口
在爬取过程中，经常弹出需要登录的遮罩窗口，需要进行关闭，如下所示：
def close_popup_window(self):
try:
login = self.__driver.find_element(by=By.ID, value='login-pannel')
if login is not None:
login.find_element(by=By.CLASS_NAME, value='dy-account-close').click()
except BaseException as e:
pass
try:
login = self.__driver.find_element(by=By.CLASS_NAME, value='GaDkStRD')
if login is not None:
btns = login.find_elements(by=By.TAG_NAME, value='button')
for btn in btns:
if btn.text == '取消':
btn.click()
break
except BaseException as e:
pass5. 保存日志
在爬取成功后，对爬取的短视频的相关内容进行保存，如下所示：
def save_data(self, hot_infos):
"""
保存数据
:param res_list: 保存的内容文件
:return:
"""
t = time.strftime("%Y-%m-%d", time.localtime())
with open(f'logs[{t}].json', 'a', encoding='utf-8') as f:
res_list_json = json.dumps(hot_infos, ensure_ascii=False)
f.write(res_list_json)示例截图
程序开发完成后，运行示例如下所示：
爬取的视频保存在download目录下，如下所示：
总结
为什么会采用selenium进行本次短视频的爬取，而不直接采用requests库，原因如下：
- 在对目标网站进行分析的过程中，发现目标网站采用异步调用的方式数据获取，即网址请求获取的只是空壳，并没有真实的数据。
- 在对异步接口调用的url进行分析时发现，很多接口的url都具有时效性及有效性验证，如token，时间戳等，构造起来相当麻烦。
由于以上两点原因，结合selenium的特点及优势，所以最终采用selenium进行此次爬虫的最佳选择。
以上就是Python+Selenium实现短视频热点爬取的详细内容，更多关于Python Selenium热点爬取的资料请关注脚本之家其它相关文章！
相关文章
使用memory_profiler监测python代码运行时内存消耗方法
今天小编就为大家分享一篇使用memory_profiler监测python代码运行时内存消耗方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-12-12
这篇文章主要介绍了python数据分析之公交IC卡,文中有非常详细的代码示例,对正在学习python的小伙伴们有很好的帮助,需要的朋友可以参考下2021-04-04
Python求两个文本文件以行为单位的交集、并集与差集的方法
这篇文章主要介绍了Python求两个文本文件以行为单位的交集、并集与差集的方法,涉及Python文本文件与集合运算的相关技巧,需要的朋友可以参考下2015-06-06
今天小编就为大家分享一篇对python csv模块配置分隔符和引用符详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-12-12
这篇文章主要介绍了Python设计模式行为型责任链模式，责任链模式将能处理请求的对象连成一条链，并沿着这条链传递该请求，直到有一个对象处理请求为止，避免请求的发送者和接收者之间的耦合关系，下围绕改内容介绍具有一点的参考价值,需要的朋友可以参考下2022-02-02
Jmeter如何使用BeanShell取样器调用Python脚本
这篇文章主要介绍了Jmeter使用BeanShell取样器调用Python脚本,文章围绕Jmeter调用Python脚本的相关详情展开标题内容，需要的小伙伴可以参考一下2022-03-03
这篇文章主要介绍了Python导包模块报错的问题解决，文章围绕主题相关内容详细介绍，具有一定的参考价值，需要的小伙伴可以参考一下2022-03-03
这篇文章主要介绍了python+PyQt5 左右声道测试源代码,左声道,人机交互测试,点击右边听到的对应序号按钮,对python左右声道测试感兴趣的朋友一起看看吧2024-02-02
这篇文章主要为大家介绍了python 包(模块 函数 类 定义 导入)的使用详细讲解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2023-03-03
在这个自动化时代，我们有很多重复无聊的工作要做。 想想这些你不再需要一次又一次地做的无聊的事情，让它自动化，让你的生活更轻松。本文分享了10个Python自动化脚本，希望对大家有所帮助2022-10-10
最新评论