l 采集网站
【场景描述】本文以西瓜视频为例，向大家介绍如何采集直播视频及主播信息。
【使用工具】前嗅 ForeSpider 数据采集系统，点击下方即可免费下载
ForeSpider爬虫软件
【使用工具】前嗅 ForeSpider 数据采集系统，点击下方链接即可免费下载。
【入口网址】https://live.ixigua.com/category/1/109/
【采集内容】
采集西瓜视频中的所有直播视频及主播信息，包括主播昵称、房间号、视频地址、网站名称、直播网址、直播视频、采集时间、主播热度。
【采集效果】
l 思路分析
配置思路概览：
l 配置步骤
1. 新建采集任务
选择【采集配置】，点击任务列表右上方【+】号可新建采集任务，将采集入口地址填写在【采集地址】框中，【任务名称】自定义即可，点击下一步。
选择普通翻页，点击完成按钮，即创建任务完成。
2. 直播分类链接获取
①在浏览器中点击不同分类的直播，将对应链接复制出来，观察链接规律。
发现不同分类直播的链接规律为：
https://live.ixigua.com/category/1/分类 id/
②点击页面右键【查看源文件】，在源码中查找分类 id，发现分类 id 在源码的 js 中。
将该段源码复制进行 js 格式化在线转化，可更加清楚的看到结构。如下图所示能够看出，我们需要的分类名称和 id 是在【sideBarData】数组的第三个对象中的【childs】数组中。
③打开脚本窗口，新建脚本。
根据刚才发现的规律，用脚本来拼分类链接，编写好后点击右上角保存。
具体如下所示：
脚本文本：
var jsonStr = DOM.GetSource().ToStr().Middle("SSR_HYDRATED_DATA\">","</script>");//返回当前html中位于【SSR_HYDRATED_DATA\">】和【</script>】之间源码部分jScript js;//定义一个jdvar jsobj = js.RunJson(jsonStr); //执行jsonStr代码，并返回一个json对象var arr = jsobj.sideBarData; //定义arr为jsobj下的【sideBarData】for(int i = 2;i<arr.size;i++){//执行【sideBarData】数组，一直到最后。 var crr = arr[i].childs;//crr为【sideBarData】第三个对象的【childs】数组 for(j in crr){//执行【childs】数组 var name = crr[j].name;//定义name为【childs】数组每个对象中的name var id = crr[j].id;//id为【childs】数组每个对象的id url u;//定义一个url u.title=id+"@"+name;//返回url的名称为id@name u.urlname="https://live.ixigua.com/category/1/"+id+"/";//返回url为https://live.ixigua.com/category/1/id/ u.entryid=CHANN.id; u.tmplid=2;//关联模板2 RESULT.AddLink(u);//返回以上为一条链接数据 } }
复制代码
④采集预览，复制任意一条分类链接，在浏览器中打开，看是否为该页内容。
3.各主播直播链接
①新建模板 02，在模板 02 下建一个链接抽取，具体操作如下图所示。
②在浏览器上打开任意一个分类，复制价格主播直播链接，观察其规律，具体如下：
③不难发现主播直播规律为：https://live.ixigua.com/主播 id/
④点击 F12，查看请求，发现主播 id 在下图所示请求中https://live.ixigua.com/api/feed/category/1/74?_signature=iYkdqAAgEB7evlXzywm4yYmJHbAAOmK
（测试发现链接后半部分不加也可以打开该请求，故脚本中省略后半部分）
请求地址规律为：https://live.ixigua.com/api/feed/category/1/分类id
⑤根据刚才发现的规律，用脚本来拼分类请求链接，获取到请求中的源码，从而拼出主播页面链接。
具体如下所示：
脚本文本：
var catId = URL.title.Left("@");//定义catID为当前链接标题@的左侧字符，即分类idvar ura = "https://live.ixigua.com/api/feed/category/1/"+catId+"/ "; //拼请求var doc = EXTRACT.OpenDoc(CHANN,ura,"",header);//打开请求if(doc){ var cdom=doc.GetDom();//返回doc的dom操作树对象 var str = cdom.GetSource().ToStr();//从cdom中转化为字符串类型 var jsonstr=cdom.UnEscape(str);//对cdom中的字符串进行解码(将其中的unicode编码部分转中文) jScript js;//定义一个js var jsobj = js.RunJson(jsonstr); //返回json对象 var arr = jsobj.data.liveSource; //arr为liveSource数组 if(arr.size > 0){ for(i in arr){ url u;//定义一个链接 u.title = URL.title.Left("@")+"@"+arr[i].watching_count+"##"+arr[i].short_id+"*"+arr[i].user_name;//返回链接名称为本层链接标题@左侧部分+@+主播watching_count即热度+##+主播id+用户名 u.urlname ="https://live.ixigua.com/"+arr[i].short_id+"/";//返回链接为https://live.ixigua.com/主播id/ u.tmplid = 3;//关联模板3 u.entryid = CHANN.id; RESULT.AddLink(u); } }}EXTRACT.CloseDoc(doc);
复制代码
⑥保存脚本后，点击右上角【采集预览】按钮，双击任意一条链接，进入下一层，复制任意一条主播链接，在浏览器打开，看是否成功抽取主播链接。
3.抽取主播数据
①新建一个抽取模板，在其下新建一个数据抽取，具体操作如下所示：
②数据建表
点击图中加号，新建一个数据表，然后添加字段，各字段属性如下图所示：
③将新建好的数据表，关联到模板中去，如下图所示:
④字段抽取
字段抽取使用脚本抽取的方法，在数据抽取模板中新建一个脚本窗口。
⑤采集预览，复制一条翻页的链接，在浏览器中打开。
⑥鼠标单击右键，查看源文件，观察可发现直播视频链接在如下图所示位置。
将以上一段 js 格式化后，观察其位置，为【roomData】节点下的【playInfo】数组的第一个数组对象的 FlvUrl。且本视频链接部分为 unicode 编码，需要转码一下。
⑦根据以上观察，编写数据抽取脚本，具体如下图所示：
脚本文本如下所示：
var str = DOM.GetSource().ToStr().Middle("SSR_HYDRATED_DATA\">","</script>");//从源码中获取有视频链接部分，并转化为字符串格式var domstr=DOM.UnEscape(str);//将str中的字符串进行解码(将其中的unicode编码部分转中文)jScript js;//定义一个jsvar jsobj = js.RunJson(domstr); //返回json对象var arr = jsobj.roomData.playInfo; //找到playInfo数组var videourl = arr[0].FlvUrl; //videourl为playInfo数组中的第一个对象的FlvUrlvar hot = URL.title.Middle("@","##");//hot为本模板链接标题@和##中间值var id = URL.title.Middle("##","*");//id为本模板链接标题##和*中间值var nick = URL.title.Right("*");//nick为本模板链接标题*右边的值var ur= URL.urlname;//ur为当前本模板链接time t;//定义一个时间trecord re;//返回一个数据re.id=id; //主播IDre.nickname=nick; //主播昵称re.videoURL= videourl; //视频地址re.platform ="西瓜直播"; //平台re.page_url= ur; //直播页面网址re.video_ex= ".flv"; //后缀re.video = videourl; //视频文件re.gettime = t.ToCn(); //获取当前网页时间re.hot = hot; //人气值RESULT.AddRec(re, TMPL.fstdoc.schemaid);//结束
复制代码
⑧采集预览
点击右上角采集预览，如下图所示：
l 采集步骤
模板配置完成，采集预览没有问题后，可以进行数据采集。
①首先要建立采集数据表：
选择【数据建表】，点击【表单列表】中该模板的表单，在【关联数据表】中选择【创建】，表名称自定义，这里命名为【xigua】（注意命名不能用数字和特殊符号），点击【确定】。创建完成，勾选数据表，并点击右上角保存按钮。
②高级设置，在高级配置中，设置采集视频的最大限制，如下图所示，这样爬虫采集 15M 就会停止采集，否则爬虫将一直采集一个直播视频直到直播结束。设置好后，点击右上角保存按钮。
③选择【数据采集】，勾选任务名称，点击【开始采集】，则正式开始采集。
④可以在【数据浏览】中，选择数据表查看采集数据，并可以导出数据。
⑤导出的文件打开如下图所示：
⑥导出视频步骤及结果如下图所示：
*本教程仅供学习交流，严禁用于商业用途！
评论