如何打造一款m3u8视频爬虫

0.前言

m3u8是一种很常见的网页视频播放器的视频源，比如说中国大学MOOC中课程就是使用了该种视频格式。

随便打开一门课程，就可以发现在网络请求中存在一个m3u8的文件，在preview中预览，它并不像我们想象中是乱码的视频流。

里面是一个列表，有一堆ts结尾的文件名，每个下面还跟了一个EXTINF的字段，好像是时间，在我们播放视频时，网络请求中会不断出现请求ts的内容。

随便打开一个ts文件，它的内容却是如图视频流一般乱码的。

说到这里，你可能有猜测了，m3u8并不是视频流的文件，而有可能是组织ts文件的规范，EXTINF代表播放每多少秒去请求下一片ts流。

这种边看边加载的方法无疑可以减少我们的网络负荷。

要用爬虫爬取这类视频的方法也很简单，我们只需要获得m3u8文件，就可以得到视频的ts地址了，将所有ts请求下来之后进行合并，就可以得到视频文件了。

不过要提的一点是，很多视频网站会对他们的ts进行加密，我们下载下来合并之后可能视频能看，但是播放器放着放着就卡住了，然后之后黑屏画面。

1.编码部分

我们先根据m3u8来判断一下创建咋样一个代表M3U8视频对象的类。

我们首先需要定义一个list，来存放这个m3u8视频下所有的ts文件，也就是后面说到的TS类。

这里提一点，m3u8里面的ts的路径一般对路径，会和m3u8在同一文件夹，我们代码中也是这么认为了，但是难免有些网站会单独存放m3u8和ts文件，如果遇到这种情况，修改一下代码即可。

有了ts的名称，我们还需要URL的前缀，也就是图中紫色划线部分，也就是basepath。

此外，我们还需要一个TS对象。

这个对象中存储TS文件名称以及时间EXTINF。

定义完实体类，就需要编写下载视频的过程了。

首先需要请求到m3u8的文件，此处使用Java的HttpURLConnection来请求获取，其它语言类似，只需要请求到文件即可。

请求到了m3u8的文本内容，我们还需要解析它 ，从中得到ts的名称。

得到了M3U8视频对象之后，我们就可以遍历请求它的list中TS对象的名称属性来下载ts文件了。

这么多ts文件如果我们在单线程中遍历请求，会很耗费时间，Java给我们提供了Stream，其中parallel可以让我们并发去遍历集合，效率会提升不少。

依旧是使用HttpURLConnection来做请求，不过最好本次设置超时时间。

这样就可以请求到所有ts文件了。

最后要做的就是合并这些ts文件成为一个MP4文件。

对于未加密的正常ts文件，我们只需要按照编号顺序直接拼接即可。

这样就算是完成了M3U8视频抓取了。

2.打包使用

下载地址：https://github.com/CasterWx/resources/releases/tag/1.0.1

在命令行中java -jar m3u8-down.jar [m3u8地址]，会显示报错信息。

也可以直接m3u8-down.jar [m3u8地址]，不会显示保存信息，会在后台执行。

最终会在同目录下生成一个output.mp4的文件，temp文件可以删除。