先来看看我们本次要爬的内容

本文主要知识点：

1. 爬虫基本流程
2. re正则表达式 (内置模块)
3. requests >>> pip install requests 在CMD 命令符 win + R
4. json数据解析方法
5. 视频数据保存

开发环境：

• Python 3.6 / 3.8
• Pycharm (专业需要激活码 社区免费) 安装包 安装教程 使用教程 激活码 翻译插件
• 谷歌/火狐浏览器驱动

 

【付费VIP完整版】只要看了就能学会的教程，80集Python基础入门视频教学

爬虫主要步骤:

1. 找数据对应的地址
2. 使用python代码发送请求
3. 数据筛选
4. 数据保存

用selenium自动化框架爬取数据

import requests  # 数据请求 第三方模块 pip install requests
import re  # 正则表达式模块 内置模块
from selenium import webdriver  # 测试模拟 模拟人去操作浏览器 pip install selenium
import pprint  # 格式化输出模块
import time  # 时间模块

# 需要谷歌/火狐驱动  python的环境安装在哪 就放那
driver = webdriver.Chrome()  # 把驱动直接放在python安装的路径里面 实例化一个浏览器对象
driver.get('https://v.huya.com/g/all?set_id=31&order=hot&page=1')

def get_video_content():
    # time.sleep(2)
    driver.refresh()
    driver.implicitly_wait(10)  # 隐式等待 等待数据加载 加载完成之后才继续运行后面的内容
    # time 延时有点区别 死等
    lis = driver.find_elements_by_css_selector('.vhy-video-list li')
    for li in lis:
        video_url = li.find_element_by_css_selector('.video-wrap').get_attribute('href')
        print(video_url)
        video_id = re.findall('https://v\.huya\.com/play/(.*?)\.html', video_url)[0]
        headers = {
            # 'Cookie': 'SoundValue=0.50; isInLiveRoom=; udb_guiddata=f88bdbcfecb444cbaebfd3430e0c220c; udb_deviceid=w_491619378696527872; udb_anouid=1462126356760; Hm_lvt_51700b6c722f5bb4cf39906a596ea41f=1631947193; __yasmid=0.5061768216828664; __yamid_tt1=0.5061768216828664; __yamid_new=C986054DD8700001912A6690BBA03A50; _yasids=__rootsid%3DC986054DD8900001E8251C028DB01560; Hm_lvt_9fb71726843792b1cba806176cecfe38=1631947194; udb_passdata=3; hiido_ui=0.8655862701494763; Hm_lpvt_51700b6c722f5bb4cf39906a596ea41f=1631948597; Hm_lpvt_9fb71726843792b1cba806176cecfe38=1631948597; rep_cnt=96',
            # 'Host': 'v.huya.com',
            # 'Pragma': 'no-cache',
            # 'Upgrade-Insecure-Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36',
        }
        index_url = f'https://liveapi.huya.com/moment/getMomentContent?videoId={video_id}&uid=&_=1631947292202'
        json_data = requests.get(url=index_url, headers=headers).json()
        # json字典数据 可以直接根据键值对 提取数据内容 冒号左边 提取冒号右边的
        play_url = json_data['data']['moment']['videoInfo']['definitions'][0]['url']
        title = json_data['data']['moment']['videoInfo']['videoTitle']
        # video_content = requests.get(url=play_url, headers=headers).content  # 获取二进制数据内容
        # with open('video\\' + title + '.mp4', mode='wb') as f:
        #     f.write(video_content)
        print(title, play_url)

for page in range(1, 3):
    print(f'正在爬取第{page}页数据内容')
    get_video_content()
    driver.find_element_by_css_selector('.next').click()
    time.sleep(1)

 

运行代码，得到结果

 

 

对于本篇文章有疑问的同学也可以点这里