Python爬虫爬取ts碎片视频+验证码登录功能
目标：爬取自己账号中购买的课程视频。
一、实现登录账号
这里采用的是手动输入验证码的方式，有能力的盆友也可以通过图像识别的方式自动填写验证码。登录后，采用session保持登录。
1.获取验证码地址
第一步：首先查看验证码对应的代码，可以从图中看到验证码图片的地址是：https://per.enetedu.com/Common/CreateImage"text-align: center">
第二步：找出登录时提交的表单内容和POST地址。
(1) 不填写用户名密码和验证码，直接点击登录，使用Chrome浏览器的Network检查，找到POST地址：https://per.enetedu.com/AdminIndex/LoginDo
(2) 继续向下看，找到提交的表单 Form Data。
因此带有验证码的登录代码如下：
import requests
from PIL import Image
#用户名-密码-验证码方式，登录
CaptchaUrl = "https://per.enetedu.com/Common/CreateImage" #获取验证码地址
PostUrl = "https://per.enetedu.com/AdminIndex/LoginDo" #post登录信息地址
client = requests.Session()
username = '替换为自己的用户名'
password = '替换为自己的密码'
qr_code = client.get(CaptchaUrl)
open('login.jpg', 'wb').write(qr_code.content) #将验证码图片保存至本地
img = Image.open('login.jpg')
img.show() #打开图片
code = input("请输入验证码: \n") #输入验证码
postData = { #构造POST表单
'email': username,
'pwd': password,
'validateCode': code,
'x': '22',
'y': '19'
}
result = client.post(PostUrl,postData) #向PostUrl提交表单
二、实现ts碎片视频下载，并转换为mp4格式
1.分析视频下载地址
登录成功后，检查视频播放div对应的代码，企图找到视频地址直接保存至本地。结果，如下图所示，整个视频是被分割成一段一段的.ts文件，分段加载到页面中播放。GET每段视频的地址为右侧红框圈起来的部分。
百度后才知道，整个视频如何分段是由一个m3u8文件来决定的。m3u8文件中的内容如下所示，记录了每段视频start和end的编号。
#EXTM3U #EXT-X-VERSION:3 #EXT-X-ALLOW-CACHE:YES #EXT-X-TARGETDURATION:10 #EXTINF:10.000000, start_0-end_765064-record.gv.ts #EXTINF:10.000000, start_765064-end_1769567-record.gv.ts #EXTINF:10.000000, start_1769567-end_2600798-record.gv.ts #EXTINF:10.000000, start_2600798-end_3593502-record.gv.ts #EXTINF:10.000000, start_3593502-end_4500784-record.gv.ts #EXTINF:10.000000, start_4500784-end_5399861-record.gv.ts #EXTINF:10.000000, start_5399861-end_6288622-record.gv.ts #EXTINF:10.000000, start_6288622-end_7044459-record.gv.ts #EXTINF:10.000000, start_7044459-end_7878487-record.gv.ts #EXTINF:10.000000, start_7878487-end_8811793-record.gv.ts #EXTINF:10.000000,
因此，下载视频的关键是获取m3u8文件，通过这个视频的m3u8文件来分段下载视频。
我是人工找出m3u8的下载地址，暂时还没研究出来怎么通过视频地址自动解析出m3u8地址。找的方法很简单，还是在Chrome的Network控制台找。打开Network控制台，刷新页面，就可以找到如图所示的m3u8文件。查看m3u8文件的相关信息，可以看到红框圈起来的地址就是这个视频的m3u8下载地址。
对比两个地址，可以发现文件名前的地址相同，视频下载地址即为"标红地址"+"m3u8文件中列出的视频段文件名"：
https://bcdn.enetedu.com/conv/cdnfile/video/2016_06_27/1467034852884_f5821b/hi/record.m3u8
https://bcdn.enetedu.com/conv/cdnfile/video/2016_06_27/1467034852884_f5821b/hi/start_643887-end_1083181-record.gv.ts
因此可以将这部分地址设为：urlroot = https://bcdn.enetedu.com/conv/cdnfile/video/2016_06_27/1467034852884_f5821b/hi
为了方便下载其他视频时动态修改，改为动态截取：
url = input("请输入m3u8文件地址：")
urlRoot=self.url[0:url.rindex('/')]
2.批量下载ts视频片段
这一步使用上一步拼接的地址循环下载ts视频即可。下载时，使用登录时创建的session下载。
session是会话的意思，它可以让服务器“认得”客户端。简单理解就是，把每一个客户端和服务器的互动当作一个“会话”。既然在同一个“会话”里，服务器自然就能知道这个客户端是否登录过。代码如下：
client = requests.Session() client.post(PostUrl,postData) #登录 resp = client.get(download_path) #下载
碎片拼接的方法：下载完第一个ts片段后，直接在该文件后面继续写第二个ts片段，以此类推。而不是新建一个文件写入。与验证码登录结合起来，完整代码如下：
import requests
from PIL import Image
import sys
import m3u8
import time
import os
#用户名-密码-验证码方式，登录
CaptchaUrl = "https://per.enetedu.com/Common/CreateImage" #获取验证码地址
PostUrl = "https://per.enetedu.com/AdminIndex/LoginDo" #post登录信息地址
client = requests.Session()
username = '526257482@qq.com'
password = 'dashuju_9514'
qr_code = client.get(CaptchaUrl)
open('login.jpg', 'wb').write(qr_code.content) #将验证码图片保存至本地
img = Image.open('login.jpg')
img.show() #打开图片
code = input("请输入验证码: \n") #输入验证码
postData = { #构造POST表单
'email': username,
'pwd': password,
'validateCode': code,
'x': '56',
'y': '19'
}
result = client.post(PostUrl,postData) #向PostUrl提交表单
#循环下载ts视频
class VideoCrawler():
def __init__(self,url):
super(VideoCrawler, self).__init__()
self.url=url
self.final_path=r"D:\Download\Film"
#下载并解析m3u8文件
def get_url_from_m3u8(self,readAdr):
print("正在解析真实下载地址...")
with open('temp.m3u8','wb') as file:
file.write(requests.get(readAdr).content)
m3u8Obj=m3u8.load('temp.m3u8')
print("解析完成")
return m3u8Obj.segments
def run(self):
print("Start!")
start_time=time.time()
realAdr = self.url #m3u8下载地址
urlList=self.get_url_from_m3u8(realAdr) #解析m3u8文件，获取下载地址
urlRoot=self.url[0:self.url.rindex('/')]
i=1
outputfile=open(os.path.join(self.final_path,'%s.ts'%self.fileName),'wb')#初始创建一个ts文件，之后每次循环将ts片段的文件流写入此文件中从而不需要在去合并ts文件
for url in urlList:
try:
download_path = "%s/%s" % (urlRoot, url.uri) #拼接地址
resp = client.get(download_path) #使用拼接地址去爬取数据
progess = i/len(urlList)#记录当前的爬取进度
outputfile.write(resp.content) #将爬取到ts片段的文件流写入刚开始创建的ts文件中
sys.stdout.write('\r正在下载：{},进度：{:.2%}'.format(self.fileName,progess))#通过百分比显示下载进度
sys.stdout.flush()#通过此方法将上一行代码刷新，控制台只保留一行
except Exception as e:
print("\n出现错误：%s",e.args)
continue#出现错误跳出当前循环，继续下次循环
i+=1
outputfile.close()
print("下载完成！总共耗时%d s"%(time.time()-start_time))
print("开始转换视频格式！")
success = os.system(r'copy /b D:\Download\Film\{0}.ts D:\Download\Film\{0}.mp4'.format(self.fileName)) #ts转成mp4格式
if (not success):
print("格式转换成功！")
os.remove(self.final_path+'\\'+self.fileName+".ts") #删除ts和m3u8临时文件
os.remove("temp.m3u8")
if __name__=='__main__':
m3u8_addr = input("输入m3u8文件下载地址：\n")
crawler=VideoCrawler(m3u8_addr)
crawler.fileName = input("输入文件名：\n")
crawler.run()
quitClick=input("请按Enter键确认退出！")
三、总结
代码可以实现分段加载视频的爬取功能，其中还有很多细节待完善如：
- 验证码可以通过图像识别的方法自动识别。
- 通过解析视频地址获取m3u8文件，非计算机专业人使用起来更加友好。
- 例子中的网站没有对m3u8文件进行加密，涉及到加密的m3u8还需要加一步解密的过程。
下一篇：python实现图片转字符画的完整代码