Scrapy 爬取m3u8视频

04-14 1204阅读

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

【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=({.*?})'
    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'
        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。