20231202_python练习_b站视频爬取(selenium浏览器模拟登录版)

首先手工登录一次获取cookies,然后进行数据保存

复制代码
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By
import time
import json

# 创建Chrome浏览器对象
chrome_opt = webdriver.ChromeOptions()
# 开启无界面模式
#chrome_opt.add_argument('--headless')
# 禁用gpu
chrome_opt.add_argument('--disable-gpu')
service = Service('D:/网页数据爬取/selenium练习/chromedriver.exe')
# 创建Chrome浏览器实例
browser = webdriver.Chrome(service=service,options=chrome_opt)

#记得写完整的url 包括http和https
browser.get('https://space.bilibili.com/')

# 等待页面加载完成
browser.implicitly_wait(10)
#程序打开网页后20秒内手动登陆账户
time.sleep(10)

browser.find_element(By.CSS_SELECTOR,'input[type="text"]').send_keys('用户名')
browser.find_element(By.CSS_SELECTOR,'input[type="password"]').send_keys('密码')
#程序打开网页后30秒内手动登陆账户
time.sleep(30)

with open('cookies.txt','w') as cookief:
    #将cookies保存为json格式
    cookief.write(json.dumps(browser.get_cookies()))
browser.close()

然后使用现有cookies登录用户,进行网页访问,获取清晰视频

复制代码
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By
from pprint import pprint
import time
import json
import re
import requests
from moviepy.editor import *


# 创建Chrome浏览器对象
chrome_opt = webdriver.ChromeOptions()
# 开启无界面模式
chrome_opt.add_argument('--headless')
# 禁用gpu
chrome_opt.add_argument('--disable-gpu')
service = Service('D:/网页数据爬取/selenium练习/chromedriver.exe')
# 创建Chrome浏览器实例
browser = webdriver.Chrome(service=service,options=chrome_opt)


#记得写完整的url 包括http和https
browser.get('https://space.bilibili.com/')
#首先清除由于浏览器打开已有的cookies
browser.delete_all_cookies()

with open('cookies.txt','r') as cookief:
    #使用json读取cookies 注意读取的是文件 所以用load而不是loads
    cookieslist = json.load(cookief)
    # 方法1 将expiry类型变为int
    for cookie in cookieslist:
        #并不是所有cookie都含有expiry 所以要用dict的get方法来获取
        if isinstance(cookie.get('expiry'), float):
            cookie['expiry'] = int(cookie['expiry'])
        browser.add_cookie(cookie)

#记得写完整的url 包括http和https
browser.get('https://space.bilibili.com/')
#程序打开网页后20秒内手动登陆账户
time.sleep(3)

for i in range(96):
    num = i+1
    url ='https://www.bilibili.com/video/BV1k94y1J7oJ?p=' + str(num)
    browser.get(url)
    # 等待页面加载完成
    browser.implicitly_wait(10)
    #网页内容
    #print(browser.page_source)

    html_text = browser.page_source

    obj = re.compile(r'<title data-vue-meta="true">(.*?)</title>', re.S)
    html_biaoti = obj.findall(html_text)[0]  # 从列表转换为字符串
    biaoti = str(html_biaoti).replace('、', '_').replace(',', '_').replace('/', '').replace(' ', '_').replace('|',
                                                                                                             '').replace(
        '_哔哩哔哩_bilibili', '')
    # print('html_biaoti:',biaoti)
    # baseUrl视频地址
    obj = re.compile(r'window.__playinfo__=(.*?)</script>', re.S)
    html_data = obj.findall(html_text)[0]  # 从列表转换为字符串
    # print(html_data)
    json_data = json.loads(html_data)
    # 格式化输出,JSON文件美观化

    #pprint(json_data)

    # video和audio分别时视频与音频
    videos = json_data['data']['dash']['video']
    video_url = videos[0]['baseUrl']
    audios = json_data['data']['dash']['audio']
    audio_url = audios[0]['baseUrl']

    print('video_url', video_url)
    print('audio_url', audio_url)
    video_url_m4s = re.compile(r'-\d-\d(.*?).m4s', re.S)
    video_url_m4s = video_url_m4s.findall(video_url)[0]
    video_url_m4s = int(video_url_m4s)
    print('video_url_m4s', video_url_m4s)

    # cookies做拼接
    cookies_list = [item["name"] + "=" + item["value"] for item in browser.get_cookies()]
    cookies = ';'.join(it for it in cookies_list)
    print(cookies)

    # 得到cookies后,即可使用requests来做接口爬虫
    headers = {
        'Cookie': f'{cookies}',
        "Referer": "https://space.bilibili.com/86219219/favlist?spm_id_from=333.788.0.0",
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.51 Safari/537.36'
    }
    #判断视频清晰度
    if video_url_m4s >= 64:
        resp1 = requests.get(url=video_url, headers=headers)
        with open(biaoti + '.mp4', mode='wb') as f:
            f.write(resp1.content)
        resp2 = requests.get(url=audio_url, headers=headers)
        with open(biaoti + '.mp3', mode='wb') as f:
            f.write(resp2.content)

        # 视频音频文件组合
        video_path = biaoti + '.mp4'
        audio_path = biaoti + '.mp3'
        # 提取音轨
        audio = AudioFileClip(audio_path)
        # 读入视频
        video = VideoFileClip(video_path)
        # 将音轨合并到视频中
        video = video.set_audio(audio)
        # 输出
        video.write_videofile(f"{biaoti}(含音频).mp4")
        time.sleep(1)
        # 将涉及MP3MP4清除
        try:
            os.remove(video_path)
        except:
            pass
        try:
            os.remove(audio_path)
        except:
            pass
        print(num, biaoti, '爬取完成')
    #break

time.sleep(60)
相关推荐
悟纤几秒前
Seedance 2.0 API 已上线 | 支持「人像视频生成」|支持100并发 | 满血版 [灵龙AI API]
人工智能·音视频·seedance 2.0
a9511416423 分钟前
如何配置RMAN使用第三方备份软件接口_NetBackup或Commvault的MML层整合
jvm·数据库·python
踏着七彩祥云的小丑6 分钟前
Python——requests——响应码
python
Ulyanov10 分钟前
Apache Kafka在雷达仿真数据流处理中的应用
分布式·python·kafka·apache·雷达电子战
u01091476015 分钟前
CSS如何处理超长文本换行问题_结合word-wrap属性
jvm·数据库·python
电化学仪器白超19 分钟前
小乌龟Git全程图形化操作指南:嵌入式本地版本管理与Gitee私有云备份实战
git·python·单片机·嵌入式硬件·物联网·gitee·自动化
2401_8371638920 分钟前
如何在 Go 中正确解析带命名空间的 SOAP 响应
jvm·数据库·python
_Evan_Yao20 分钟前
RAG中的“Chunk”艺术:我试过10种切分策略后总结的结论
java·人工智能·后端·python·软件工程
m0_3776182320 分钟前
CSS如何处理溢出隐藏_使用overflow-hidden与盒模型
jvm·数据库·python
这儿有一堆花26 分钟前
深入解析 Video.js:现代 Web 视频播放的工程实践
前端·javascript·音视频