本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

　　作者：merlin&

　　转载：https://www.cnblogs.com/cherish-hao/p/12815603.html

　　选定网页

　　想要爬取抖音上面的视频，就要先找到可以刷小视频的地址，于是我就开始在网上寻找网页版的抖音。经过一番寻找，发现抖音根本就没有网页版的这个板块，打开的网页大多都是如下图所示提示你下载app的网页：

　　

　　想要爬取小视频的内容，没有网页地址可不行。于是我又想到了另一种寻找网页的方法：

　　首先我打开了手机抖音，选定了一个喜欢的抖音号，使用复制链接的方法来尝试是否可以在网页中打开：

　　

　　将链接粘贴到记事本中，发现它是长这个样子的

　　将这个网址在浏览器中打开，发现这个网址可以正常显示

　　

　　向下滑动，也可以看到这个账号发布的视频

　　

　　ok，到现在为止，我已经选定了将这个页面作为我获取数据的起始页面

　　选定起始页之后，我的下一步想法是要去获取这些小视频的单独的网页地址，于是我又点击了下面的这些小视频。这里恶心的地方出现了，无论我点击哪一个小视频，弹出来的都是强迫你下载app的界面

　　于是我又想尝试上面获取到网页的操作来获取视频的地址，再次打开手机上的抖音，在这个漫威的账号下随便打开一个视频，点击右下角的分享，复制它的链接：

　　

　　这个链接地址长这个样子：

　　我再把这段地址复制到浏览器中打开：

　　

　　打开的确实是视频页，点击播放按钮也可以播放视频，所以这就是我们需要记住的第二个页面。分析网页

　　现在又出现了一个比较麻烦的事情，在浏览器中输入网址过后，跳转到了视频的播放页，但是此时的播放页地址经过了重定向生成了非常长的一串地址，乍一看毫无规律可讲

　　这是重定向之后的网址：

　　

　　正常来说请求第一种链接https://v.douyin.com/wGqCNG/和第二种重定向之后的链接都可以获取到信息，但是我发现第一种链接地址是找不到规律的，所以我猜测第二种网址的规律会更加的好找，先把链接地址复制到记事本中：

　　这个网址依旧可以打开视频页，如果在删掉一点东西，出来的就是抖音的宣传页，所以这个网址就是我所需要的最简单网址

　　大佬们都在玩{精选官网网址: www.vip333.Co }值得信任的品牌平台!

　　就一个网址当然是分析不出规律的，于是我又用同样的方法来得到两个新网址：

　　精简网址之后，将三个网址放在一起观察：

　　不难发现，这三个网址的区别就在于数字的不同

　　接下来猜测：这串数字会不会是每个视频的Id值？

　　随后我打开漫威影业抖音号，右击检查，按下ctrl+f搜索内容，在搜索框内分别搜索https://www.iesdouyin.com/share/video/6802189485015633160/?mid=6802184753988471559链接中的6802189485015633160和6802189485015633160两个值

　　

　　第一个值顺利找到，就是我们所猜测的id值，但是搜索第二个值却得不到任何的返回

　　

　　这就叫我非常苦恼了，我开始想其他的办法来获取到这个值，我尝试了抓包和其他的一些方法，但是都没有找到这个值的相关信息。

　　我经过了一番思考，突然间冒出了一个想法：这个值是不是随机生成的？

　　然后我做了一个小小的尝试，我将这个值改成了随便的一个数

　　然而神奇的是，这个网址请求出了数据（去掉这个mid键不出数据，将mid随机赋值却可以得到数据emmm）大佬们都在玩{精选官网网址: www.vip333.Co }值得信任的品牌平台!

　　

　　提取id构造网址

　　经过刚刚的分析，我发现我们想要提取的数据就只有一个id值，然后再用Id值替换掉网址中的数字就可以得到相应的视频页面了

　　id是这段代码的最重要的部分，经过前面曲折又困难的网页分析之后，我认为提取id只需要从网页中用表达式提取数据就可以了，但是我没想到的是这一步也是比较困难的

　　我先是在主页右击了检查，然后仔细的观察了elements里面的元素，我发现id就储存在elements之中

　　

　　接着我就想办法获得这个页面中的id信息，我尝试了直接请求，发现输出的数据中没有Id信息； 我又加上了请求头，依旧没有id值输出（这个页面的元素是动态加载的，虽然不能一次获取全部Id，但是也不至于一个没有） ；然后我想到了selenium自动化测试模块，使用webdriver打开网址打印源码，可是输出还是没变

　　我查了百度的一些方法，也做了一些尝试，发现这个页面所做的反爬确实很难破解。于是我就只能换一条路去尝试

　　在谷歌开发者工具中，点击network选项卡，刷新界面 随着我刷新的操作，在XHR选项卡下出现了一个名字很奇怪的数据包

　　

　　点击他的preview选项卡，点出他的下拉菜单，这里面存储的正是小视频的Id信息。但是需要注意的是，这个包里面只存储了0-20序列的共21条信息

　　

　　但是从这个主页中我可以知道，它一共发布了64个短视频，所以我推断他还有三个数据包没有加载出来 ---->我滚动下拉条，观察有没有数据包

　　

　　滚动到最后，验证了我的猜想,这个页面有四个数据包且为动态加载

　　好了，我们已经分析出来了这个网页的构造，先不要管一共有几个数据包，先以一个数据包为例提取id信息：

　　复制网页链接作为他的请求网址

　　

　　将user-agaent加到请求头中（这个网页必须要加请求头，不然获取不到数据）

　　

　　请求得到数据：

　　print一下i相关信息：

　　

　　当前乍一看好像这个代码没有问题，但是在执行四五次之后，会出现请求不到数据或返回False的情况，一开始我以为是ip被限制的原因，但是加上了ip池之后也是一样的结果，后来我才发现：请求不到数据是因为之前请求的url被禁用了，要在抖音详情页刷新一下，再把新的数据包的网址复制过来才能重新得到数据（我也不知道这是什么类型的反爬，希望知道的老哥可以告诉我一下）

　　*我之所以把这个网址分成两部分来写，是因为当网址请求不到数据的时候，改变的是末尾的_signature=random_field字段，在请求不到数据的时候只需重新复制一下这个字段就可以了，会简化一点点代码

　　

　　拼接数据包链接

　　上面提取Id的时候讲到，我们先拿一个数据包做例子，但是我们要爬的这个用户的全部视频，所以就要将它所有的数据包地址都访问一遍

　　想要得到这些数据包的地址，就需要分析他们的网址构造，我把这四个数据包的网址全部复制到记事本中，逐个分析他们构造规律

　　

　　不难看出，这四个数据包的区别就在于max_cursor后面的值的不同，而这个值正好就包包含在它前一个数据包之中，这就说明我们可以从前一个数据包中提取到下一个数据包的max_curso值，从而构造出下一个数据包的链接地址

　　

　　可是第四个数据包也包含着max_cursor的值，我们该在何时停止构造下一个数据包呢？

　　我把最后一个数据包的max_cursor值复制下来并替换到构造的数据包链接中，发现可以跳转到一个新的网址，这个网址中也有max_cursor的值，但是这个值为0

　　

　　也可以多找几个网址测试，最后的结果指向都是0，所以我们可以通过if语句来判断这个值为0的时候就终止循环构造网址代码：

　　输出构造后的网址：

　　

　　获取视频地址

　　现在我们已经可以成功的进入获取到视频页面了，复杂的网页分析基本已经结束了，后续操作就变得简单了先打开小视频的页面，右击检查，查看元素

　　

　　经过检查发现，这个源代码中并没有视频地址，点击了一下播放按键，视频的地址才会加载出来

　　

　　这个网址中只包含了一个小视频

　　

　　看到这种动态加载的机制，我们首先就应该想到selenium自动化测试工具，步骤是先用selenium打开视频页面，再点击播放按钮，将此时已经刷新完的网页源代码保存，

　　再从中提取到视频的真正网址，最后再将调试好的webdriver设置为无界面模式实现代码：

　　打印一下视频的真实网址：

　　

　　下载视频

　　视频的真实网址我们已经获得了，接下来只剩下最后一步的操作了---->下载视频视频下载的操作就非常简单了：

　　实现结果

　　

　　可以看到这些视频已经下载到本地了，我们在打开本地文件夹看一下

　　

　　随便打开一个视频文件：大佬们都在玩{精选官网网址: www.vip333.Co }值得信任的品牌平台!

　　

　　可以播放！至此我这个问题版的抖音爬虫就做完了如何获取主页中所有的id地址为什么请求的url后缀会一直变化，该怎么破解

　　其实所有的问题都指向了一个地方：该怎么获取小视频的id

　　如果大佬们有更好的方法可以获取id值，希望大佬们可以提出建议让我把这个爬虫的功能再完善！感谢各位！