陕西渭南住房和城乡建设厅网站/企业线上培训课程

Scrapy 爬取m3u8视频

【一】效果展示

• 爬取ts文件样式

• 合成的MP4文件

【二】分析m3u8文件路径

• 视频地址：[在线播放我独自升级 第03集 - 高清资源](https://www.physkan.com/ph/175552-8-3.html)

【1】找到m3u8文件

• 这里任务目标很明确
  • 就是找m3u8文件
• 打开浏览器
  • 进入开发者模式F12
  • 搜索m3u8文件
  • 查看响应内容含有ts文件的m3u8文件
  • 再次查看标头地址即可

【2】分析m3u8路径

• https://leshiyuncdn.36s.top/20240121/0RS6t7a1/2000kb/hls/index.m3u8
  • 按照/拆分：leshiyuncdn.36s.top----20240121----0RS6t7a1----2000kb----hls
  • 笨办法：一个个的进行搜索
  • 查看哪个找到m3u8的路径
• 其中搜索leshiyuncdn.36s.top这个的时候
  • 查看响应中含有m3u8地址
  • 那么就继续分析这个地址

• https://bfnb1sx.phvod.top/?url=O0O0OlHnRp0hcpHM6Ly9sZXNoO0O0OXl1bmNkbi4zNnMuo000oG9wLzIwMjQwMTIxLzBSUzZ0N2ExL2luZGV4Lm0zo000oTgoo00o&next=//www.physkan.com/ph/175552-8-4.html
  • 同样的采用笨方法：拆分一个一个的找
• 在搜索O0O0OlHnRp0hcpHM6Ly9sZXNoO0O0OXl1bmNkbi4zNnMuo000oG9wLzIwMjQwMTIxLzBSUzZ0N2ExL2luZGV4Lm0zo000oTgoo00o的时候
  • 找到https://www.physkan.com/ph/175552-8-3.html里面含有我们搜索的内容
  • 并且这个地址就是浏览器的访问视频的地址
  • 好了，就是它了

【三】scrapy代码

【1】基础内容

class M3U8Spider(scrapy.Spider):# 爬虫文件名name = "m3u8"# 可访问的域名列表allowed_domains = ["www.physkan.com", 'bfnb1sx.phvod.top', 'leshiyuncdn.36s.top', 'tscdn.hyz1.top']# 起始地址start_urls = ["https://www.physkan.com/ph/175552-8-3.html"]# 视频存储路径video_path = os.path.join(os.path.dirname(os.path.dirname(os.path.dirname(__file__))), 'video')# 确保文件创建好os.makedirs(video_path, exist_ok=True)# m3u8文件路径m3u8_path = os.path.join(video_path, 'index.m3u8')# ts文件路径ts_info_path = os.path.join(video_path, 'ts.txt')

【2】分析获取m3u8路径

• 我们需要的数据发现在script的player_aaaa中
  • 正则匹配，json格式转换为字典格式，方便读取数据
  • 其中url含有我们需要的路径参数，但是不全
  • 所以补全路径发起请求

def parse(self, response):# 获取网页源码page_source = response.text# 分析源码可以发现需要的地址在script的player_aaaa中# 通过正则匹配获取pattern = r'var player_aaaa=({.*?})</script>'url_info_str = re.findall(pattern, page_source, re.DOTALL)[0]# json格式转换为字典，方便拿数据url_info_dict = json.loads(url_info_str)# 拼接m3u8路径m3u8_info_url = 'https://bfnb1sx.phvod.top/?url=' + url_info_dict['url']yield scrapy.Request(url=m3u8_info_url, callback=self.get_m3u8_url)

• 这个地址还并非是直接的m3u8路径
  • 同样的获取m3u8路径参数
  • 拼接完整路径参数，就可以得到m3u8的真正路径

def get_m3u8_url(self, response):page_source = response.textpattern = r'var config = ({.*?})'m3u8_info_str = re.findall(pattern, page_source, re.DOTALL)[0]m3u8_info_dict = json.loads(m3u8_info_str)m3u8_url = m3u8_info_dict['url']m3u8_url = m3u8_url.rsplit('/', 1)[0] + '/2000kb/hls/index.m3u8'yield scrapy.Request(url=m3u8_url, callback=self.get_ts_list)

【3】获取过滤ts

• 通过上面的地址获取到了index.m3u8文件
  • 先保存在本地一份，方便查看
  • 使用正则表达式过滤出ts视频
  • 还要保存一份ts文件路径在本地
    • 因为接下来使用ffmpeg工具进行视频合成
    • 格式要求：file '视频路径.ts'
  • 最后异步发起ts视频文件请求

def get_ts_list(self, response):# 获取页面txt信息page_source = response.text# 保存在index.m3u8文件在本地with open(self.m3u8_path, mode='wt', encoding='utf8') as fp:fp.write(page_source)# 使用正则过滤拿出ts路径ts_urls = re.findall(r'https://tscdn.hyz1.top/[^\s]+.ts', page_source)# 保存的ts视频文件需要按照合成视频ffmpeg的格式拼接with open(self.ts_info_path, mode='wt', encoding='utf8') as fp:for ts in ts_urls:file_name = ts.rsplit('/', 1)[-1]file_path = os.path.join(self.video_path, file_name)# 保存ts文件，保存的为ts文件路径fp.write(f"file '{file_path}'" + '\n')# 异步发起ts视频文件的请求yield scrapy.Request(url=ts, callback=self.save_ts_file, meta={'file_path': file_path})

（3.1）小插曲

• 在m3u8文件中
  • 你会发现这个不一样的地址
  • 其实这部分是广告，可以过滤掉

【4】保存ts文件、合成MP4文件

• 首先进行ts文件保存
  • 这个没有什么好说的
  • 直接保存吧

def save_ts_file(self, response):# 保存ts文件本地file_path = response.meta.get('file_path')with open(file_path, mode='wb') as fp:fp.write(response.body)# 输出日志写不写都行self.log(f'保存成功:>>>{file_path.rsplit("/", 1)[-1]}')

• 拼接ts文件为MP4视频文件

  • 需要用的工具是ffmpeg

  • 官网：Download FFmpeg

  • 去安装配置好环境变量即可

• 合成MP4视频

  • 首先使用os模块切换到保存的ts文件路径下
  • 然后执行ffmpeg命令
    • ffmpeg -f concat -safe 0 -i ts.txt -c copy output.mp4
  • ts.txt是之前的保存的ts文件路径文件
    • 格式要求：file '视频路径.ts'
  • output.mp4是合成后的mp4文件
    • 可自定义文件名等

    def close(spider, reason):# 爬虫执行完毕以后，拼接视频  工具：ffmpegos.chdir(f'{spider.video_path}')os.system(f'ffmpeg -f concat -safe 0 -i ts.txt -c copy output.mp4')

免责声明

• 本爬虫仅用于收集特定网站的信息，目的是进行数据分析，不得用于非法目的或侵犯他人隐私。对于因使用本爬虫造成的任何损失或法律责任，本人概不负责。

• 本爬虫的数据可能存在不准确、不完整或不可用的情况，对于用户或第三方可能因此造成的任何损失，本人概不负责。