Python黑科技 | 一步一步教你如何搭建自己的视频聚合站

前言

作为一个炉石传说玩家，经常有事没事开着直播网站看看大神们的精彩表演。不过因为各个平台互相挖人的关系，导致关注的一些主播分散到了各个直播平台，来回切换有点麻烦，所以萌生了做一个视频聚合站的想法。

我主要去采集斗鱼、熊猫等的炉石区的主播信息。虽然各个站点的人气信息有水分，但还是做了个简单的排名。

上图：

手机上的效果图:

话不多说，上网站: http://lushiba.leanapp.cn/ 项目部输在了leancloud上，比较省心，但有一定的免费额度（如果显示超出限制，需要晚一些来访问，毕竟免费的，每天6个小时限制） 源码地址: https://github.com/ieiayaobb/… 欢迎Star

• master分支是redis方式存储实现
• lean分支是基于lean cloud的实现

基础介绍

聚合站的思路就是采集目标站点的相关信息，通过数据处理将想要的信息做提取，整理入库，然后通过web展示。因为直播平台数据实时在变，所以考虑将存储的数据放在缓存中（redis），因为部署在了lean cloud上，所以示例就直接存储在了lean cloud的存储上。

为了方便讲解，我们以斗鱼为目标采集的网站，介绍解析和存储部分的内容，其他网站的处理大同小异。

功能说明

整体项目就分为数据采集解析、数据存储、web展现三大功能。后续我们会对这三个部分的功能做逐一展开说明。

技术选型

• 语言（Python） 轻量级的项目，直接就是用了Python来做，Python在爬虫、web方面都有着不错的库支持，而且lean cloud也支持Python部署，所以毫不犹豫的就采用了Python来做
• 数据采集（requests） requests的特点就是轻量，且简单易用。虽然这是个爬虫项目，但实在规模太小，所以没必要上scrapy了

requests的介绍地址：http://docs.python-requests.o…

请求模拟

数据解析

解析部分主要有两种：正则，BeautifulSoup 这里为了通用，直接使用了正则来解析。 正则处理要求比较高，但是几乎能应对所有的情况，属于大杀器。 BeautifulSoup4的详细介绍: https://www.crummy.com/softwa…

• web框架（Django） Django是Python比较重量级的框架，Django自带了orm的框架，可惜这个项目中用不到。但是我们会使用Django的模板引擎，Django的模板引擎也是很方便的一个特性。Django还提供了django-rest-framework，方便开发RESTful的接口，这个项目后续做了个配搭的React Native的mobile应用，所以引入了django-rest-framework。

详细介绍在此：https://www.djangoproject.com/

• 存储（lean cloud的数据存储） 既然用了lean cloud，存储就直接用了lean提供的存储功能。

详细的介绍在这里: https://leancloud.cn/docs/lea…

• 部署（用了lean cloud的引擎） 参考了lean cloud官方的项目骨架: https://github.com/leancloud/…
• 前端展示（pureCSS） pureCss还是为了简单，支持响应式，并且提供了基础的UI组件

详细介绍在这里: https://purecss.io/

环境准备

Python的开发环境网上比较多，主要是virtualenv的准备，可以看廖老师的博客了解具体信息: https://www.liaoxuefeng.com/w… requirments.txt内容如下:

分析与采集

视频站内容解析

• 斗鱼炉石区 目标是采集炉石区所有主播的链接地址和人气情况

#### 页面内容（单个主播的信息）

衣锦夜行：狂野 登顶登顶

炉石传说

衣锦夜行 8.1万

我们需要采集的有几部分内容：

• 直播间url （节点里的href，/yechui）
• 直播间的标题（节点里的title，衣锦夜行：狂野 登顶登顶）
• 直播间的截图（节点里的img标签的src，https://rpic.douyucdn.cn/a170…）
• 直播间的人气（8.1万）（这里有个注意的地方，斗鱼的人气可能是X万，需要把这个万转化成数值方便排序）
• 主播名称（衣锦夜行）

页面处理与采集

所有完整的直播站处理代码在fetch.py中 #### 命中主播信息节点

re.finditer('<a class="play-list-link" .*?>([\s\S]*?)<\/a>', response.content.decode('utf8')):

简单的说明一下代码:

response.content.decode('utf8')

• 主要是讲requests请求的页面以utf8编码返回
• 正则部分就是命中上述的主播节点的内容，截取整个a标签 解析代码

采集href信息（主播房间链接）

href = re.search('href=".*?"', group).group().lstrip('href="').rstrip('"')

采集标题信息

title = re.search('title=".*?"', group).group().lstrip('title="').rstrip('"')

采集截图信息

img = re.search('data-original=".*?"', group).group().lstrip('data-original="').rstrip('"')

采集主播名称

name = re.search('<span class="dy-name ellipsis fl">.*?</span>', group).group().lstrip('<span class="dy-name ellipsis fl">').rstrip('</span>')

采集人气数量信息

num = re.search('<span class="dy-num fr.*?</span>', group).group().lstrip('<span class="dy-num fr">').rstrip('</span>')

处理‘万’字

int(round(float(num.replace('万', '').replace('\r', '').replace('\n', '')) * 10000))

存储与刷新

采集到的信息需要存储到lean cloud的存储中，会调用lean cloud所提供的API

字段设计

Chairman

• id 直播间的唯一id
• name 直播间主播名称
• title 直播间的标题
• href 直播间的页面地址
• num 直播间的人气
• img 直播间的截图

接口设计

/fetch

Fetch的接口包含了清空、采集、解析、存储所有的更新逻辑，设计这个接口的目的主要是方便后面使用云函数进行定时调用，以更新数据，调用逻辑如下（lean cloud不支持全部遍历，所以用了while循环来遍历所有，先清空，再采集）:

/chairmans（redis版本才支持）

Django-rest-framework提供，可以通过分页的方式展现当前库中的信息

/chairman/{id}（redis版本才支持）

Django-rest-framework提供，可以根据指定id获取某一个主播的信息

刷新机制

lean cloud提供了一种云函数的概念，并且可以像配置cron一样，定期的去触发某一个请求，为了能够定期的更新排行榜，我们会通过配置这个云函数，实现定期的数据刷新 云函数是一个cloud.py文件，内容如下

在lean cloud中配置定时执行

页面展示

页面部分比较简单，以一个列表的形式，展现了主播的排行榜信息，点击某一个主播，直接跳转到对应直播网站的目标直播间。因为考虑到在手机上的显示，所以做了自适应

列表页

列表页的渲染使用了Django的模板引擎 由于lean cloud的存储和Django的orm不一样，所以这里需要将attributes放到列表中，页面上才能用模板语法进行访问 view部分代码:

页面部分代码:

项目部署

因为部署在了lean cloud上，可以直接使用提供的lean-cli进行部署， lean-cli的详细介绍在这里: https://www.leancloud.cn/docs…部署 这里为了方便直接在页面上进行配置

• 配置git库

• 配置Deploy Key

• 设置域名

• 部署
• 配置定时任务

后言

整个项目比较简单，目的是为了练手。如有疑问，欢迎在github上面发issue。

作者：伯乐在线 来源：http://python.jobbole.com/88188/