前言

简单学习过网络爬虫,只是之前都是照着书上做并发,大概能理解,却还是无法自己用到自己项目中,这里自己研究实现一个网页嗅探HTML5播放控件中基于m3u8协议ts格式视频资源的项目,并未考虑过复杂情况,毕竟只是练练手.

源码

# coding=utf-8

import asyncio

import multiprocessing

import os

import re

import time

from math import floor

from multiprocessing import Manager

import aiohttp

import requests

from lxml import html

import threading

from src.my_lib import retry

from src.my_lib import time_statistics

class M3U8Download:

_path = "./resource\\" # 本地文件路径

_url_seed = None # 资源所在链接前缀

_target_url = {} # 资源任务目标字典

_mode = ""

_headers = {"User-agent": "Mozilla/5.0"} # 浏览器代理

_target_num = 100

def __init__(self):

self._ml = Manager().list() # 进程通信列表

if not os.path.exists(self._path): # 检测本地目录存在否

os.makedirs(self._path)

exec_str = r'chcp 65001'

os.system(exec_str) # 先切换utf-8输出,防止控制台乱码

def sniffing(self, url):

self._url = url

print("开始嗅探...")

try:

r = requests.get(self._url) # 访问嗅探网址,获取网页信息

except:

print("嗅探失败,网址不正确")

os.system("pause")

else:

tree = html.fromstring(r.content)

try:

source_url = tree.xpath('//video//source/@src')[0] # 嗅探资源控制文件链接,这里只针对一个资源控制文件

# self._url_seed = re.split("/\w+\.m3u8", source_url)[0] # 从资源控制文件链接解析域名

except:

print("嗅探失败,未发现资源")

os.system("pause")

else:

self.analysis(source_url)

def analysis(self, source_url):

try:

self._url_seed = re.split("/\w+\.m3u8", source_url)[0] # 从资源控制文件链接解析域名

with requests.get(source_url) as r: # 访问资源控制文件,获得资源信息

src = re.split("\n*#.+\n", r.text) # 解析资源信息

for sub_src in src: # 将资源地址储存到任务字典

if sub_src:

self._target_url[sub_src] = self._url_seed + "/" + sub_src

except Exception as e:

print("资源无法成功解析", e)

os.system("pause")

else:

self._target_num = len(self._target_url)

print("sniffing success!!!,found", self._target_num, "url.")

self._mode = input(

"1:-> 单进程(Low B)\n2:-> 多进程+多线程(网速开始biubiu飞起!)\n3:-> 多进程+协程(最先进的并发!!!)\n")

if self._mode == "1":

for path, url in self._target_url.items():

self._download(path, url)

elif self._mode == "2" or self._mode == "3":

self._multiprocessing()

def _multiprocessing(self, processing_num=4): # 多进程,多线程

target_list = {} # 进程任务字典,储存每个进程分配的任务

pool = multiprocessing.Pool(processes=processing_num) # 开启进程池

i = 0 # 任务分配标识

for path, url in self._target_url.items(): # 分配进程任务

target_list[path] = url

i += 1

if i % 10 == 0 or i == len(self._target_url): # 每个进程分配十个任务

if self._mode == "2":

pool.apply_async(self._sub_multithreading, kwds=target_list) # 使用多线程驱动方法

else:

pool.apply_async(self._sub_coroutine, kwds=target_list) # 使用协程驱动方法

target_list = {}

pool.close() # join函数等待所有子进程结束

pool.join() # 调用join之前，先调用close函数，否则会出错。执行完close后不会有新的进程加入到pool

while True:

if self._judge_over():

self._combine()

break

def _sub_multithreading(self, **kwargs):

for path, url in kwargs.items(): # 根据进程任务开启线程

t = threading.Thread(target=self._download, args=(path, url,))

t.start()

@retry()

def _download(self, path, url): # 同步下载方法

with requests.get(url, headers=self._headers) as r:

if r.status_code == 200:

with open(self._path + path, "wb")as file:

file.write(r.content)

self._ml.append(0) # 每成功一个就往进程通信列表增加一个值

percent = '%.2f' % (len(self._ml) / self._target_num * 100)

print(len(self._ml), ": ", path, "->OK", "\tcomplete:", percent, "%") # 显示下载进度

else:

print(path, r.status_code, r.reason)

def _sub_coroutine(self, **kwargs):

tasks = []

for path, url in kwargs.items(): # 根据进程任务创建协程任务列表

tasks.append(asyncio.ensure_future(self._async_download(path, url)))

loop = asyncio.get_event_loop() # 创建异步事件循环

loop.run_until_complete(asyncio.wait(tasks)) # 注册任务列表

async def _async_download(self, path, url): # 异步下载方法

async with aiohttp.ClientSession() as session:

async with session.get(url, headers=self._headers) as resp:

try:

assert resp.status == 200, "E" # 断言状态码为200,否则抛异常,触发重试装饰器

with open(self._path + path, "wb")as file:

file.write(await resp.read())

except Exception as e:

print(e)

else:

self._ml.append(0) # 每成功一个就往进程通信列表增加一个值

percent = '%.2f' % (len(self._ml) / self._target_num * 100)

print(len(self._ml), ": ", path, "->OK", "\tcomplete:", percent, "%") # 显示下载进度

def _combine(self): # 组合资源方法

try:

print("开始组合资源...")

identification = str(floor(time.time()))

exec_str = r'copy /b "' + self._path + r'*.ts" "' + self._path + 'video' + identification + '.mp4"'

os.system(exec_str) # 使用cmd命令将资源整合

exec_str = r'del "' + self._path + r'*.ts"'

os.system(exec_str) # 删除原来的文件

except:

print("资源组合失败")

else:

print("资源组合成功!")

def _judge_over(self): # 判断是否全部下载完成

if len(self._ml) == len(self._target_url):

return True

return False

@time_statistics

def app():

multiprocessing.freeze_support()

url = input("输入嗅探网址:\n")

m3u8 = M3U8Download()

m3u8.sniffing(url)

# m3u8.analysis(url)

if __name__ == "__main__":

app()

这里是两个装饰器的实现：

import time

def time_statistics(fun):

def function_timer(*args, **kwargs):

t0 = time.time()

result = fun(*args, **kwargs)

t1 = time.time()

print("Total time running %s: %s seconds" % (fun.__name__, str(t1 - t0)))

return result

return function_timer

def retry(retries=3):

def _retry(fun):

def wrapper(*args, **kwargs):

for _ in range(retries):

try:

return fun(*args, **kwargs)

except Exception as e:

print("@", fun.__name__, "->", e)

return wrapper

return _retry

打包成exe文件

使用PyInstaller -F download.py将程序打包成单个可执行文件.

这里需要注意一下,因为程序含有多进程,需要在执行前加一句multiprocessing.freeze_support(),不然程序会反复执行多进程前的功能.

关于协程

协程在Python3.5进化到了async await版本,用 async 标记异步方法,在异步方法里对耗时操作使用await标记.这里使用了一个进程驱动协程的方法,在进程池创建多个协程任务,使用asyncio.get_event_loop()创建协程事件循环,使用run_until_complete()注册协程任务,asyncio.wait()方法接收一个任务列表进行协程注册.

关于装饰器

装饰器源于闭包原理,这里使用了两种装饰器.

@time_statistics:统计耗时,装饰器自己无参型

@retry():设置重试次数,装饰器自己有参型

按我理解是有参型是将无参型装饰器包含在内部,而调用是加()的,关于():

不带括号时，调用的是这个函数本身

带括号(此时必须传入需要的参数)，调用的是函数的return结果

关于CMD控制台

程序会使用CMD命令来将下载的ts文件合并.

因为CMD默认使用GB2312编码,调用os.system()需要先切换成通用的UTF-8输出,否则系统信息会乱码.

而且使用cmd命令时参数最好加双引号,以避免特殊符号报错.

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: python爬取基于m3u8协议的ts文件并合并

本文地址: http://www.cppcns.com/jiaoben/python/257774.html