和大家一起来爬取当下大火的APP--抖音，批量下载一个用户发布的所有视频。各位也应该知道，抖音只有移动端，官网打开除了给你个APP下载二维码啥也没有，所以相比爬PC网站，还是遇到了更多的问题，也花了更多的时间，不过好在基本实现了，除了一点咱在后面说。

思路梳理

其实如果看了其他博主爬抖音的教程就发现，大部分都是通过fildder手机抓包来获取接口地址等信息，其实不用那么麻烦，我们通过分享选择链接形式就可以获取到信息：

然后电脑访问这个链接，就可以打开页面了，不过很快我们就会发现一个问题，电脑访问这个地址发布视频是空的：

谷歌Chrome浏览器有一个模拟手机访问的功能，我们选在iPhone X模式来访问页面，果然看到发布的视频了：

我们接下来看下后台请求，不多，很快就找到我们需要的视频信息了，也能直接打开观看视频，到这感觉已经成功了一大半了：

但很快我们有发现了新问题，可以看到莉哥总共发布了93个作品，但我们实际获取到但链接只有19个。其实我们用过抖音，包括微博这些应用的都知道，很多信息他们不是一次加载完的，当你拖动页面的时候才会继续加载。所以我们尝试上拉页面，就会发现后台又多了一个请求，返回了新加载的视频信息。

https://www.amemv.com/aweme/v1/aweme/post/?user_id=57720812347&count=21&max_cursor=0&aid=1128&_signature=KRLTTRAdclaWZCKrElzZVykS01&dytk=4830f6e279a5f53872aab9e9dc112d33 https://www.amemv.com/aweme/v1/aweme/post/?user_id=57720812347&count=21&max_cursor=1530363175000&aid=1128&_signature=KRLTTRAdclaWZCKrElzZVykS01&dytk=4830f6e279a5f53872aab9e9dc112d33

两个地址除了max_cursor其他都一样，其实就是上一条返回的json数据中的max_cursor就是下个链接中的max_cursor，然后has_more等于1的时候表示还未全部加载，这样逻辑就清楚了，我们只要先判断has_more是否等于1，等于1的时候我们将max_cursor的值传入下一个链接继续访问获取视频地址，直到has_more等于0为止。

这样所有视频地址都有了，就开始下载吧！！

代码部分

fromseleniumimportwebdriver
frombs4importBeautifulSoup
importjson
importrequests
importsys
importtime
importos
importuuid
fromcontextlibimportclosing
fromrequests.packages.urllib3.exceptionsimportInsecureRequestWarning
requests.packages.urllib3.disable_warnings(InsecureRequestWarning)

classdouyin_spider(object):
"""docstringfordouyin_spider"""
def__init__(self,user_id,_signature,dytk):
print'*******DouYin_spider******'
print'Author:Awesome_Tang'
print'Date:2018-07-29'
print'Version:Python2.7'
print'**************************'
print''
self.userid=user_id
self.headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/65.0.3325.146Safari/537.36'}
mobile_emulation={'deviceName':'iPhoneX'}
#chrome浏览器模拟iPhoneX进行页面访问
options=webdriver.ChromeOptions()
options.add_experimental_option("mobileEmulation",mobile_emulation)
self.browser=webdriver.Chrome(chrome_options=options)
self._signature=_signature
self.dytk=dytk
self.url='https://www.amemv.com/aweme/v1/aweme/post/?user_id=%s&count=32&max_cursor=0&aid=1128&_signature=%s&dytk=%s'%(self.userid,self._signature,self.dytk)


defhandle_url(self):
url_list=[self.url,]
self.browser.get(self.url)
web_data=self.browser.page_source
soup=BeautifulSoup(web_data,'lxml')
web_data=soup.pre.string
web_data=json.loads(str(web_data))
ifweb_data['status_code']==0:
whileweb_data['has_more']==1:
#最大加载32条视频信息，has_more等于1表示还未全部加载完
max_cursor=web_data['max_cursor']
#获取时间戳
url='https://www.amemv.com/aweme/v1/aweme/post/?user_id=%s&count=32&max_cursor=%s&aid=1128&_signature=%s&dytk=%s'%(self.userid,max_cursor,self._signature,self.dytk)
url_list.append(url)
self.browser.get(url)
web_data=self.browser.page_source
soup=BeautifulSoup(web_data,'lxml')
web_data=soup.pre.string
web_data=json.loads(str(web_data))
else:
max_cursor=web_data['max_cursor']
#获取时间戳
url='https://www.amemv.com/aweme/v1/aweme/post/?user_id=%s&count=32&max_cursor=%s&aid=1128&_signature=%s&dytk=%s'%(self.userid,max_cursor,self._signature,self.dytk)
url_list.append(url)
else:
url_list=[]
returnurl_list

defget_download_url(self,url_list):
download_url=[]
title_list=[]
iflen(url_list)>0:
forurlinurl_list:
self.browser.get(url)
web_data=self.browser.page_source
soup=BeautifulSoup(web_data,'lxml')
web_data=soup.pre.string
web_data=json.loads(str(web_data))
ifweb_data['status_code']==0:
foriinrange(len(web_data['aweme_list'])):
download_url.append(web_data['aweme_list'][i]['video']['play_addr']['url_list'][0])
title_list.append(web_data['aweme_list'][i]['share_info']['share_desc'].encode('utf-8'))
returndownload_url,title_list

defvideodownloader(self,url,title):
size=0
path=title+'.mp4'
withclosing(requests.get(url,headers=self.headers,stream=True,verify=False))asresponse:
chunk_size=1024
content_size=int(response.headers['content-length'])
ifresponse.status_code==200:
print'%sisdownloading...'%title
sys.stdout.write('[FileSize]:%0.2fMB\n'%(content_size/chunk_size/1024))
withopen(path,'wb')asf:
fordatainresponse.iter_content(chunk_size=chunk_size):
f.write(data)
size+=len(data)
f.flush()
sys.stdout.write('[Progress]:%0.2f%%'%float(size/content_size*100)+'\r')
sys.stdout.flush()
else:
printresponse.status_code

defrun(self):
url='https://www.amemv.com/aweme/v1/aweme/post/?user_id=%s&count=32&max_cursor=0&aid=1128&_signature=%s&dytk=%s'%(self.userid,self._signature,self.dytk)
url_list=self.handle_url()
download_url,title_list=self.get_download_url(url_list)
foriinrange(len(download_url)):
url=download_url[i]
title=title_list[i]
self.videodownloader(url,title)

if__name__=='__main__':
#创建对象
#传入三个参数，user_id,_signature,dytk
douyin_spider=douyin_spider('95870186531','RFE1JhAbHxD7J8TA9HCumURRNT','539f2c59bb57577983b3818b7a7f32ef')
douyin_spider.run()
print'******DouYin_spider@Awesome_Tang、******'

问题

开始说了，目前还存在一个问题，我们看接口地址可以发现，目前需要5个参数分别是：

user_id, max_cursor，count，_signature, dytk

前面三个都没问题，而且我看有的博主5/6月份都文章都还只需要前三个参数，_signature, dytk是两个加密之后的参数，不知道咋加密的，而且selenium似乎也没有获取后台请求地址的方法，返回的视频地址也没有在页面进行渲染，所以现在还需要点击分享链接之后手动填入_signature, dytk两个值，有点冒傻气...

版权申明：本站文章均来自网络，如有侵权，请联系01056159998 邮箱：itboby@foxmail.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有