前言大家早好、午好、晚好吖~
环境使用:Python 3.8 Pycharm 2021.2版本 ffmpeg <需要设置环境变量>
模块使用:内置模块 你安装好python环境就可以了 import re import json import subprocess
如果安装python第三方模块:win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车 在pycharm中点击Terminal(终端) 输入安装命令
基本思路流程:采集视频数据.... 1. 视频标题 2. 视频内容 1、对着网页 鼠标右键点击查看网页源代码 ctrl + F 搜索 playinfo 代码实现步骤: <通用> 发送请求, 模拟浏览器对于url地址发送请求 获取数据, 获取网页源代码 <因为我们想要数据内容, 来自于网页源代码> 解析数据, 提取我们想要数据内容 保存数据, 把视频内容完整的保存到本地文件夹
代码采集视频# 导入数据请求模块 import requests # 导入正则 import re # 导入json import json # 导入格式化输出模块 import pprint # 导入进程模块 import subprocess
""" 发送请求模拟浏览器对于url地址发送请求 """ # 确定网址 url = 'https://www.bilibili.com/video/BV1ua411p7iA?vd_source=b2da3931eefc454d41eb6bb5b34749d1' # python代码如何模拟浏览器? 请求头 ---> 用伪装python代码 headers = { # referer 防盗链 告诉服务器请求url地址是从哪里跳过过来 'referer': 'https://www.bilibili.com/', # user-agent 用户代理 表示浏览器基本身份标识 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36' } # 发送请求 ---> 得到响应对象 200 状态码表示请求成功 response = requests.get(url=url, headers=headers) # <Response [200]> print(response)
获取数据# 获取数据 得到响应对象文本数据 ---> 字符串数据类型 # print(response.text)
""" 解析数据提取我们想要数据内容 正则表达式 re ---> 对于字符串数据进行提取 ---> 0 1 2 开始计数 -3 -2 -1<--- lis = ['a', 'b', 'c'] lis[0] lis[-3] re.findall() --> 匹配数据返回 列表数据类型 列表取值: 根据索引位置提取内容 re 模块名 .findall() 调用re模块里面findall()方法 --> 找到所有 <我们想要数据> 从什么地方去找什么数据 从 response.text 里面 去找 "title":"(.?)","pubdate" 其中 (.?) 这段是我们想要的 """ 源码、解答、教程可加Q裙:832157862 # 获取标题 title = re.findall('"title":"(.*?)","pubdate"', response.text)[0].replace(' ', '') # 正则替换特殊字符 title = re.sub(r'[\/:*?"<>|]', '', title) # 获取shipin数据信息 html_data = re.findall('<script>window.__playinfo__=(.*?)</script>', response.text)[0] # 转成json字典数据类型 json_data = json.loads(html_data) # 字典取值 --> 键值对取值, 根据冒号左边内容[键] 提取冒号右边的内容[值] audio_url = json_data['data']['dash']['audio'][0]['baseUrl'] video_url = json_data['data']['dash']['video'][0]['baseUrl'] print(audio_url) print(video_url) print(title)
保存数据--> 403 Forbidden 没有访问权限 --> 防盗链 加headers请求头 # 发送请求 获取音频二进制数据 audio_content = requests.get(url=audio_url, headers=headers).content # 发送请求 获取视频二进制数据 # video__content = requests.get(url=video_url, headers=headers).content # with open('video\\' + title + '.mp3', mode='wb') as a: # a.write(audio_content) # with open('video\\' + title + '.mp4', mode='wb') as v: # 丨 # v.write(video__content)
# 通过ffmpeg 这个软件命令 进行视频合成 cmd = f"ffmpeg -i video\\{title}.mp4 -i video\\{title}.mp3 -c:v copy -c:a aac -strict experimental video\\{title}output.mp4" subprocess.run(cmd, shell=True)
采集评论源码、解答、教程可加Q裙:832157862 # 导入数据请求模块 import time
import requests
for page in range(1, 11): # 请求网址 time.sleep(1) url = f'https://api.bilibili.com/x/v2/reply/main?csrf=9b972b9803693b4f5c0d6a042b2d0c0e&mode=3&next={page}&oid=215631694&plat=1&type=1' # 请求头 headers = { # 'origin': 'https://www.bilibili.com', 'referer': 'https://www.bilibili.com/video/', 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36', } # 发送请求 response = requests.get(url=url, headers=headers) # 获取数据 content_list = [i['content']['message'] for i in response.json()['data']['replies']] print(content_list) # for 遍历输出内容 for content in content_list: with open('评论.txt', mode='a', encoding='utf-8') as f: f.write(content) f.write('\n') print(content)
制作词云# 导入结巴分词模块 import jieba # 导入词云模块 import wordcloud # 读取文件内容 f = open('评论.txt', encoding='utf-8') txt = f.read() print(txt) string = ' '.join(jieba.lcut(txt)) print(string) wc = wordcloud.WordCloud( width=700, # 宽 height=700, # 高 background_color='white', # 背景颜色 font_path='msyh.ttc', # 设置字体 scale=15, # 规模 ) wc.generate(string) wc.to_file('评论词云.png')
|