热血动漫番太好看了！用Python爬取了1T的动漫，内存都爆了
最近被室友安利热血动漫番《终末的女武神》和《拳愿阿修罗》，太上头了周末休息熬夜看完了。不过资源不太好找，辣条一怒爬取了资源，这下可以看个够了。室友崇拜连连，想起了我的班花，快点开学啊，阿西吧…
Python爬虫-vip动漫采集
效果展示
爬取目标
网站目标：樱花动漫
工具使用
开发工具：pycharm
开发环境：python3.7， Windows10
使用工具包：requests，lxml， re，tqdm
重点学习内容
正则的使用 tqdm的使用 各种音频数据的处理
项目思路解析
搜索你需要的动漫数据，根据自己需要的视频不同解析视频的方法也是不一样的（会挑选两种视频进行解析）
在当前页面需要提取出对应的章节信息，获取到章节信息的a标签的跳转内容，提取出每个章节的名字，提取章节的方法我使用的xpath的方法（各位大佬可自行尝试其他的方法）
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36',
'Referer': 'http://www.imomoe.la/search.asp'
}
url = 'http://www.imomoe.la/view/8024.html'
response = requests.get(url, headers=headers)
# print(response.content.decode('gbk'))
html_data = etree.HTML(response.content.decode('gbk'))
chapter_list = html_data.xpath('//div[@class="movurl"]/ul/li/a/text()')
chapter_url_list = html_data.xpath('//div[@class="movurl"]/ul/li/a/@href')[0]
url的数据需要自行拼接，根据新的url获取详情页面的数据
按照正常思路首先应该查看播放地址是否为静态数据
明显看出数据并不是静态数据，在区分是否为动态数据，通过抓包工具进行获取。
也并不是动态数据，媒体数据也不知道怎么形成的。
从头在来从前端页面在进行解析，找视频页面的事件。
并没有发现有效数据，但是在iframe下面的Script标签有js跳转地址 ，解析的数据网址和视频的播放地址是一样的域名， 点击查看， 这不是就是我们找的视频播放地址嘛 ，终于找到了，开始实现 在当前页面通过xpath方式提取出script里的js跳转地址， 拼接出新的视频链接播放地址，发送请求，通过正则表达式提取出所有MP4播放地址。
new_url = 'http://www.imomoe.la' + chapter_url_list
response = requests.get(new_url, headers=headers)
html = etree.HTML(response.content.decode('gbk'))
data_url = 'http://www.imomoe.la' + html.xpath('//div[@class="player"]/script[1]/@src')[0]
res = requests.get(data_url, headers=headers).text
# print(res)
play_url_list = re.findall('\$(.*?)\$flv', res)
print(play_url_list)
保存对视频数据发送请求，保存数据到mp4 ，通过tqdm工具能查看对应下载的速度以及下载的进度
for chapter, play_url in tqdm(zip(chapter_list, play_url_list)):
result = requests.get(play_url, headers=headers).content
f = open('终末的女武神/' + chapter + '.mp4', "wb")
f.write(result)
到这大功告成 但是当我把网址修改成斗破苍穹这个动漫时，却返回的数据为空
这个视频的加载数据的规则是不一样的加载的数据为m3u8的格式， 其他的音频的数据加载可能也不一样， 处理m3u8的数据稍稍的有丢丢复杂，它的m3u8的文件内部有嵌套了m3u8链接地址， 需要转换对应的数据接口，进行链接地址拼接， 取出ts文件进行下载，拼接成视频。
m3u8_url_list = re.findall('\$(.*?)\$bdhd', res)
for m3u8_url, chapter in zip(m3u8_url_list, chapter_list):
data = requests.get(m3u8_url, headers=headers)
# print(data.text)
new_m3u8_url = 'https://cdn.605-zy.com/' + re.findall('/(.*?m3u8)', data.text)[0]
# print(new_m3u8_url)
ts_data = requests.get(new_m3u8_url, headers=headers)
ts_url_list = re.findall('/(.*?ts)', ts_data.text)
print("正在下载：", chapter)
for ts_url in tqdm(ts_url_list):
result = requests.get('https://cdn.605-zy.com/' + ts_url).content
f = open('斗破苍穹/' + chapter + '.mp4', "ab")
f.write(result)
项目思路总结
-
获取到想要动漫的地址
-
提取详情页面的名字已经跳转地址
-
获取页面的静态js文件
-
解析视频播放地址或者m3u8文件
-
保存对应数据
简易源码分享
import requests
from lxml import etree
import re
from tqdm import tqdm
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36',
'Referer': 'http://www.imomoe.la/search.asp'
}
url = 'http://www.imomoe.la/view/8024.html'
response = requests.get(url, headers=headers)
# print(response.content.decode('gbk'))
html_data = etree.HTML(response.content.decode('gbk'))
chapter_list = html_data.xpath('//div[@class="movurl"]/ul/li/a/text()')
chapter_url_list = html_data.xpath('//div[@class="movurl"]/ul/li/a/@href')[0]
# print(chapter_list)
# print(chapter_url_list)
new_url = 'http://www.imomoe.la' + chapter_url_list
response = requests.get(new_url, headers=headers)
html = etree.HTML(response.content.decode('gbk'))
data_url = 'http://www.imomoe.la' + html.xpath('//div[@class="player"]/script[1]/@src')[0]
res = requests.get(data_url, headers=headers).text
# print(res)
play_url_list = re.findall('\$(.*?)\$flv', res)
print(play_url_list)
for chapter, play_url in tqdm(zip(chapter_list, play_url_list)):
result = requests.get(play_url, headers=headers).content
f = open('终末的女武神/' + chapter + '.mp4', "wb")
f.write(result)
发现不会的或者学习Python的，可以直接评论留言或者私我【非常感谢你的点赞、收藏、关注、评论，一键四连支持】
