热血动漫番太好看了！用Python爬取了1T的动漫，内存都爆了。

润森

发布于 2022-08-18 09:39:05

9850

发布于 2022-08-18 09:39:05

文章被收录于专栏：毛利学Python毛利学Python

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：

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)

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)