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
- 找到
【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.text
pattern = 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'
- 格式要求：
- 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：ffmpeg
os.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。
