网页数据抓取软件( 本文仅供参考学习,禁止用于任何形式的商业用途，违者自行承担责任 )

　　网页数据抓取软件(

本文仅供参考学习,禁止用于任何形式的商业用途，违者自行承担责任

)

　　

　　

　　本文仅供参考，禁止用于任何形式的商业用途，违者自负。

　　准备好工作了：

　　（1）手机（安卓和ios都可以）/安卓模拟器，今天主要是安卓模拟器，操作流程一样。（2)抓包工具：Fiddel 下载链接：（3）编程工具：pycharm（4）安卓模拟器上安装抖音（逍遥安装模拟器）一、fiddler配置

　　在工具中的选项中，根据图勾选复选框，然后点击操作

　　

　　配置远程链接：

　　选择允许远程链接监控，端口可以随意设置，只要不重复，默认是8888

　　

　　然后：重新启动提琴手！！！该配置可以生效。

　　二、安卓模拟器/手机配置

　　首先查看机器的IP：在cmd中输入ipconfig，记住这个IP

　　

　　确保手机和电脑在同一个局域网内。

　　手机配置：配置连接的WiFi，代理选择手动，输入上图中ip端口号为8888

　　模拟器配置：在设置中，长按连接的wifi，代理选择手动，然后输入上图中的ip端口号为8888

　　

　　

　　设置好代理后，在浏览器中输入你设置的ip:端口，例如10.10.16.194:8888，就会打开fiddler页面。然后点击fiddlerRoot证书安装证书，不然手机会认为环境不安全。

　　证书名称随意设置，可能还需要设置锁屏密码。

　　

　　然后就可以在fiddler中抓取手机/模拟器软件包了。

　　三、抖音 抓包

　　打开抖音，观察fiddler中的所有包

　　

　　有一个包，包类型是json（json是网页返回的数据，具体百度），主机地址如图，包大小一般不小，这就是视频包。

　　

　　点击这个json包，在fdder右侧，点击decode，我们将解码视频包的json

　　

　　解码后：点击aweme_list，每个大括号代表一个视频，这个和bilibili弹幕或者快手一样，每次加载一点，等你看完预加载的，再重新加载一些。

　　

　　Json 是一本字典。我们的视频链接位于：aweme_list。在每个视频下的video下play_addr下的url_list中，一共有6个url，都是一模一样的视频，可以用来应对不同的环境，但是一般第3个或者4个链接的视频不容易出现到问题。复制链接并将其粘贴到浏览器中以查看视频。

　　

　　接下来解决几个问题，

　　1、视频数量。每个包中只有很少的视频。我怎样才能抓住更多？

　　这时候就需要用模拟器的模拟鼠标翻页，让模拟器一直在翻页，这样json包才会不断出现。

　　

　　2、如何将json保存到本地使用

　　一种方法可以手动复制粘贴，但是这种方法很低。

　　所以我们使用fidder自带的脚本，在里面添加规则，刷出视频json包时自动保存json包。

　　自定义规则包：

　　提取码：7z0l

　　单击规则脚本，然后将自定义规则放置在如图所示的位置：

　　

　　这个脚本有两点需要修改：

　　（1） 第一行的网址：

　　这是从视频包的 url 中提取的。抖音 会不定时更新这个url，所以如果不能使用就更新：

　　比如现在的和昨天的不一样，记得修改。

　　

　　（2）路径，也就是我设置json包保存的地址，一定要自己修改，并创建文件夹，修改后记得保存。

　　

　　打开并设置好模拟器和脚本后，稍等片刻，就可以看到文件夹中保存的包：

　　

　　四、爬虫脚本

　　接下来在pycharm中写一个脚本，获取json包中的视频链接：

　　指南包：

　　导入操作系统、json、请求

　　迷彩头：

　　headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'}

　　逻辑代码：

　　

　　运行代码：

　　

　　影响：

　　

　　 import os,json,requests #伪装头 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'}<br />videos_list = os.listdir('C:/Users/HEXU/Desktop/抖音数据爬取/抖音爬取资料/raw_data/') #获取文件夹内所有json包名<br />count = 1 #计数，用来作为视频名字<br />for videos in videos_list: #循环json列表，对每个json包进行操作 a = open('./抖音爬取资料/raw_data/{}'.format(videos),encoding='utf-8') #打开json包 content = json.load(a)['aweme_list'] #取出json包中所有视频<br /> for video in content: #循环视频列表，选取每个视频 video_url = video['video']['play_addr']['url_list'][4] #获取视频url，每个视频有6个url，我选的第5个 videoMp4 = requests.request('get',video_url,headers=headers).content #获取视频二进制代码 with open('./抖音爬取资料/VIDEO/{}.mp4'.format(count),'wb') as f: #以二进制方式写入路径，记住要先创建路径 f.write(videoMp4) #写入 print('视频{}下载完成'.format(count)) #下载提示 count += 1 #计数+1<br />

　　本文来自精品专栏《爬虫案例集》