简介
一般批量爬取视频或者图片的套路是，使用爬虫获得文件链接集合，然后通过 writeFile 等方法逐个保存文件。然而，头条的视频，在需要爬取的 html 文件（服务端渲染输出）中，无法捕捉视频链接。视频链接是页面在客户端渲染时，通过某些 js 文件内的算法或者解密方法，根据视频的已知 key 或者 hash 值，动态计算出来并添加到 video 标签的。这也是网站的一种反爬措施。
我们在浏览这些页面时，通过审核元素，可以看到计算后的文件地址。然而在批量下载时，逐个手动的获取视频链接显然不可取。开心的是，puppeteer 提供了模拟访问 Chrome 的功能，使我们可以爬取经过浏览器渲染出来的最终页面。
今日头条里有很多有意思的头条号玩家，他们发布了很多视频在里面。如果大家有批量下载某个头条号视频的需求，这个爬虫就派上用场了。当然，其他视频站也都大同小异，更改下部分代码设置就可以使用啦。
项目启动
命令
npm i
npm start
// 安装 puppeteer 的过程稍慢，耐心等待。
单个文件下载命令
npm run single
// 在文件 single.js 中设置视频名称和 src 即可。
配置文件
// 配置相关
module.exports = {
originPath: 'https://www.ixigua.com', // 页面请求地址
savePath: 'D:/videoZZ' // 存放路径
}
// 单个视频下载设置
const folderName = 'D:/videoLOL'
const fileName = 'S8预选赛TOP5：Haro李青无解操作支配战局「LOL七周年」'
const videoSrc = 'http://v11-tt.ixigua.com/e2b7cbd320031f6c19890001503a6ca0/5b9fd7bb/video/m/2203ce04dd18e0e426381abfe64ea44f19b115bbe0a000027c1f6e94a77/'
// 初始化方法
const start = async () => {
method.mkdirSaveFolder(folderName)
let video = {
src: videoSrc,
title: fileName
}
downloadVideo(video)
}
技术点
puppeteer
puppeteer 提供一个高级 API 来控制 Chrome 或者 Chromium。
puppeteer 主要作用：
- 利用网页生成 PDF、图片
- 爬取SPA应用，并生成预渲染内容（即“SSR” 服务端渲染）
- 可以从网站抓取内容
- 自动化表单提交、UI测试、键盘输入等
使用到的 API：
- puppeteer.launch() 启动浏览器实例
- browser.newPage() 创建一个新页面
- page.goto() 进入指定网页
- page.screenshot() 截图
- page.waitFor() 页面等待，可以是时间、某个元素、某个函数
- page.$eval() 获取一个指定元素，相当于 document.querySelector
- page.$$eval() 获取某类元素，相当于 document.querySelectorAll
- page.$('#id .className') 获取文档中的某个元素，操作类似jQuery
代码示例
const puppeteer = require('puppeteer');
(async () => {
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.goto('https://example.com');
await page.screenshot({path: 'example.png'});
await browser.close();
})()
视频文件下载方法
- 下载视频主方法
const downloadVideo = async video => {
// 判断视频文件是否已经下载
if (!fs.existsSync(`${config.savePath}/${video.title}.mp4`)) {
await getVideoData(video.src, 'binary').then(fileData => {
console.log('下载视频中：', video.title)
savefileToPath(video.title, fileData).then(res =>
console.log(`${res}: ${video.title}`)
)
})
} else {
console.log(`视频文件已存在：${video.title}`)
}
})
- 获取视频数据
getVideoData (url, encoding) {
return new Promise((resolve, reject) => {
let req = http.get(url, function (res) {
let result = ''
encoding && res.setEncoding(encoding)
res.on('data', function (d) {
result += d
})
res.on('end', function () {
resolve(result)
})
res.on('error', function (e) {
reject(e)
})
})
req.end()
})
}
- 将视频数据保存到本地
savefileToPath (fileName, fileData) {
let fileFullName = `${config.savePath}/${fileName}.mp4`
return new Promise((resolve, reject) => {
fs.writeFile(fileFullName, fileData, 'binary', function (err) {
if (err) {
console.log('savefileToPath error:', err)
}
resolve('已下载')
})
})
}
爬取结果截图
说明
此爬虫仅用于个人学习，如果侵权，即刻删除！
