【首发】工作中需要MP4视频文件怎么办？用Python随手采集一些

需求分析

今天测试数据用到了 MP4 格式的视频文件，问题来了？从哪里去获取短小又精彩的MP4文件呢，我打开了时光网，从这里找预告片就好了。

打开站点http://news.mtime.com/，如下图所示，在里面检索带播放图片的内页地址。

寻找分页逻辑

经过反复测试，得到的结论如下

• 页面一次会加载60条数据
• 前台进行的交互分页
• 累计可以获取10页数据

分页地址如下所示

http://news.mtime.com/index.html
http://news.mtime.com/index-2.html
http://news.mtime.com/index-3.html

编码时间

对于该类定向爬虫，核心用 requests 模块即可完成全部任务，页面解析使用 lxml 模块。
整体逻辑描述如下

• 第一步：使用目标首页地址解析网页，获取网页源码
• 第二步：从源码中提取包含视频文件的详情页
• 第三步：进入详情页获取视频文件地址
• 第四步：下载视频文件，通过 res.content 获取二进制流

首先拿第一页做一下测试（后续直接扩展到全部页面即可，可预生成）。

import requests
from lxml import etree
import time

def get_html(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.72 Safari/537.36"
    }
    res = requests.get(url, headers=headers, timeout=3)
    html_data = res.text
    bodyelement = etree.HTML(html_data)
    org_divs = bodyelement.xpath('//div[@class="news-cont"]')

    for div in org_divs:
        video_element = div.xpath('.//em[@class="pic-video"]')
        if video_element:
            link = div.xpath('./a/@href')[0]
            print(link)

if __name__ == '__main__':
    get_html('http://news.mtime.com/index.html')

上述代码的重点在解析包含 em[@class="pic-video"] 的标签，即通过上图中的播放器图标判断详情页是否包含MP4视频文件。

后续的工作就变得简单了，进入详情页获取视频文件地址，然后下载目标视频文件。

为了便于大家学习，我将所有的代码都单独写成一个个的函数，如下所示（其中重要逻辑已经用注释进行标记）：

import requests
from lxml import etree
import time

def get_html(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.72 Safari/537.36"
    }
    res = requests.get(url, headers=headers, timeout=3)
    html_data = res.text
    bodyelement = etree.HTML(html_data)
    org_divs = bodyelement.xpath('//div[@class="news-cont"]')
	# 获取所有目标 DIV
    for div in org_divs:
        video_element = div.xpath('.//em[@class="pic-video"]')
        # 通过特定标签判定详情页是否包含视频文件
        if video_element:
            link = div.xpath('./a/@href')[0]
            get_video(link)

def get_video(_url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.72 Safari/537.36"
    }

    res = requests.get(_url, headers=headers, timeout=3)
    element_dom = etree.HTML(res.text)
    # 解析视频地址
    videosrc = element_dom.xpath("//video/@src")[0]
    down_video(videosrc)

def down_video(video_url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.72 Safari/537.36",
        "Host": "vfx.mtime.cn"
    }

    res = requests.get(video_url, headers=headers, timeout=3)
    # 写入视频文件
    with open(str(int(time.time()))+".mp4",'wb') as f:
        f.write(res.content)

if __name__ == '__main__':
    get_html('http://news.mtime.com/index.html')

运行结果如下所示：

上述代码获取的仅有一页数据，如果希望扩展到全部页面，只需要在爬取视频前获取所有的列表页地址即可，可以使用列表解析器进行生成。

记录时间

2022年度 Flag，写作的 561 / 1024 篇。
可以关注我，点赞我、评论我、收藏我啦。