python爬取快手视频多线程下载

时间 2019-11-11 标签 python 爬取快手视频多线程下载

直接开始！ html

环境： python 2.7 + win10python

工具：fiddler postman 安卓模拟器android

首先，打开fiddler，fiddler做为http/https 抓包神器，这里就很少介绍。git

配置容许https github

配置容许远程链接也就是打开http代理算法

电脑ip: 192.168.1.110json

而后确保手机和电脑是在一个局域网下，能够通讯。因为我这边没有安卓手机，就用了安卓模拟器代替，效果同样的。浏览器

打开手机浏览器，输入192.168.1.110:8888 也就是设置的代理地址，安装证书以后才能抓包网络

安装证书以后，在WiFi设置修改网络手动指定http代理多线程

保存后就能够了，fiddler就能够抓到app的数据了，打开快手刷新，能够看到有不少http请求进来，通常接口地址之类的很明显的，能够看到是json类型的

http post请求，返回数据是json ，展开后发现一共是20条视频信息，先确保是否正确，找一个视频连接看下。

ok 是能够播放的很干净也没有水印。

那就打开postman 来测试，form-data 方式提交则报错

那换raw 这种

报错信息不同了，试试加上headers

nice 成功返回数据，我又多试几回，发现每次返回结果不同，都是20个视频，刚才其中post参数中有个page=1 这样一直都是第一页就像一直在手机上不往下翻了就开始一直刷新那样，反正也无所谓，只要返回数据不重复就好。

下面就开始上代码

  1 # -*-coding:utf-8-*-
  2 # author : Corleone
  3 import urllib2,urllib
  4 import json,os,re,socket,time,sys
  5 import Queue
  6 import threading
  7 import logging
  8 
  9 
 10 # 日志模块
 11 logger = logging.getLogger("AppName")
 12 formatter = logging.Formatter('%(asctime)s %(levelname)-5s: %(message)s')
 13 console_handler = logging.StreamHandler(sys.stdout)
 14 console_handler.formatter = formatter
 15 logger.addHandler(console_handler)
 16 logger.setLevel(logging.INFO)
 17 
 18 
 19 video_q = Queue.Queue()    # 视频队列
 20 
 21 
 22 def get_video():
 23     url = "http://101.251.217.210/rest/n/feed/hot?app=0&lon=121.372027&c=BOYA_BAIDU_PINZHUAN&sys=ANDROID_4.1.2&mod=HUAWEI(HUAWEI%20C8813Q)&did=ANDROID_e0e0ef947bbbc243&ver=5.4&net=WIFI&country_code=cn&iuid=&appver=5.4.7.5559&max_memory=128&oc=BOYA_BAIDU_PINZHUAN&ftt=&ud=0&language=zh-cn&lat=31.319303 "
 24     data = {
 25         'type': 7,
 26         'page': 2,
 27         'coldStart': 'false',
 28         'count': 20,
 29         'pv': 'false',
 30         'id': 5,
 31         'refreshTimes': 4,
 32         'pcursor': 1,
 33         'os': 'android',
 34         'client_key': '3c2cd3f3',
 35         'sig': '22769f2f5c0045381203fc57d1b5ad9b'
 36     }
 37     req = urllib2.Request(url)
 38     req.add_header("User-Agent", "kwai-android")
 39     req.add_header("Content-Type", "application/x-www-form-urlencoded")
 40     params = urllib.urlencode(data)
 41     try:
 42         html = urllib2.urlopen(req, params).read()
 43     except urllib2.URLError:
 44         logger.warning(u"网络不稳定 正在重试访问")
 45         html = urllib2.urlopen(req, params).read()
 46     result = json.loads(html)
 47     reg = re.compile(u"[\u4e00-\u9fa5]+")   # 只匹配中文
 48     for x in result['feeds']:
 49         try:
 50             title = x['caption'].replace("\n","")
 51             name = " ".join(reg.findall(title))
 52             video_q.put([name, x['photo_id'], x['main_mv_urls'][0]['url']])
 53         except KeyError:
 54             pass
 55 
 56 def download(video_q):
 57     path = u"D:\快手"
 58     while True:
 59         data = video_q.get()
 60         name = data[0].replace("\n","")
 61         id = data[1]
 62         url = data[2]
 63         file = os.path.join(path, name + ".mp4")
 64         logger.info(u"正在下载：%s" %name)
 65         try:
 66             urllib.urlretrieve(url,file)
 67         except IOError:
 68             file = os.path.join(path, u"神经病呀"+ '%s.mp4') %id
 69             try:
 70                 urllib.urlretrieve(url, file)
 71             except (socket.error,urllib.ContentTooShortError):
 72                 logger.warning(u"请求被断开，休眠2秒")
 73                 time.sleep(2)
 74                 urllib.urlretrieve(url, file)
 75 
 76         logger.info(u"下载完成：%s" % name)
 77         video_q.task_done()
 78 
 79 
 80 def main():
 81     # 使用帮助
 82     try:
 83         threads = int(sys.argv[1])
 84     except (IndexError, ValueError):
 85         print u"\n用法: " + sys.argv[0] + u" [线程数:10] \n"
 86         print u"例如：" + sys.argv[0] + " 10" + u"  爬取视频 开启10个线程 天天爬取一次 一次2000个视频左右(空格隔开)"
 87         return False
 88     # 判断目录
 89     if os.path.exists(u'D:\快手') == False:
 90         os.makedirs(u'D:\快手')
 91     # 解析网页
 92     logger.info(u"正在爬取网页")
 93     for x in range(1,100):
 94         logger.info(u"第 %s 次请求" % x)
 95         get_video()
 96     num = video_q.qsize()
 97     logger.info(u"共 %s 视频" %num)
 98     # 多线程下载
 99     for y in range(threads):
100         t = threading.Thread(target=download,args=(video_q,))
101         t.setDaemon(True)
102         t.start()
103 
104     video_q.join()
105     logger.info(u"-----------所有已经爬取完成---------------")
106 
107 
108 main()

下面测试

多线程下载每次下载2000 个视频左右默认下载到D:\快手

总结：其实我此次爬的快手有点投机取巧了，由于post过去的参数 sign 是签名的确是有加密的，只因此还能返回数据那是由于我每次都是请求的同样的连接 page=1 都是第一页的当我改为2的时候，就验签失败了。然而，它恰好这样也能返回不一样的数据，虽然达到了效果，但却没有能破解他的加密算法。。。前两天爬抖音的时候也是这样。加密的。。。哎。技术有限。。逆向不了他的app。。。等之后有能力搞定了在来分享吧。。

最后放上个人github地址 : https://github.com/binglansky/spider 也是刚注册的，以前都没提交过代码，也有几个其余的小爬虫，后期找到好玩的有意思的都会提交上去。欢迎学习交流玩耍 : ) 嘿嘿嘿~

python爬取快手视频 多线程下载

python爬取快手视频多线程下载