Python网络爬虫实战(五)批量下载B站收藏夹视频

我们除了爬取文本信息，有的时候还需要爬媒体信息，比如视频图片音乐等。就拿B站来说，我的收藏夹内的视频可能随时会失效，所以把它们下载到本地是非常保险的一件事。

对于这种大量列表型的数据，可以猜测B站收藏夹的请求中，详细的收藏详细可能会是异步加载的，因为这部分数据可能比较庞大。

我们来分析一下网络请求。

可以看到对收藏夹的请求是指定URL加收藏夹的id号，我们爬取的前提是这个收藏夹是公共收藏夹，不然是无法访问的。

再来看他的返回，明显没有收藏视频的信息，所以可以判断收藏视频的信息是通过api接口异步加载的。

详细查看一下其他的请求，你会发现这样一条。

可以看到这里返回了json数据，内容就是我们收藏夹中的视频，但是这里这有20个，再来看请求的URL。

https://api.bilibili.com/medialist/gateway/base/spaceDetail?media_id=88854277&pn=1&ps=20&keyword=&order=mtime&type=0&tid=0&jsonp=jsonp

media_id是收藏夹的id号，pn是代表哪一分页，ps是当前分页中视频数量。

那么我们就可以调用这个api来拿到所有收藏的视频了。

我们的视频分页当然不可能只有一页，所以我们可以遍历pn递增。

i = 1
while 1 :
    url = 'https://api.bilibili.com/medialist/gateway/base/spaceDetail?media_id=88854277&pn='+ str(i) +'&ps=20&keyword=&order=mtime&type=0&tid=0&jsonp=jsonp'
    html = requests.get(url)
    i = i + 1
    print(html.text)

这样就能拿到一个收藏夹下所有视频了，当i超过收藏夹页数时，直接异常退出即可。

接下来我们需要解析出每一个视频的id。

根据之前说的json解析，我们很容易就能用

res['data']['medias']

来获得所有的视频，然后再根据下标解析出每一个视频。

res = json.loads(html.text)
len_video = len(res['data']['medias'])
for id in range(0,len_video):
    create_thread(res['data']['medias'][id])

这样我们就可以获取当前页视频数量，然后创建线程进行下载了，因为下载是一个非常占IO的事情，如果你单线程执行，下载一个视频再下载另一个，这样会很慢，我们可以给每一个视频创建一个线程来提高速度。

def create_thread(res):
    thread = myThread(res['id'],res['title'],res['id'])
    thread.start()

创建线程的线程号是视频的id号，线程名是视频名。

class myThread(threading.Thread):  # 继承父类threading.Thread
    def __init__(self, threadID, name, counter):
        threading.Thread.__init__(self)
        self.threadID = threadID
        self.name = name
        self.counter = counter
    def run(self):
        download_video(self.threadID)

线程类如上，里面有两个函数，__init__是默认的线程初始化函数，里面就是我们创建线程时传入的id和name。第二个函数是线程执行时的run方法，也就是我们定义线程的具体要做的事，里面只有一个download_video方法。

# 下载视频
def download_video(av_id):
    os.system('you-get -o d:/vedio/ https://www.bilibili.com/video/av'+str(av_id))

在下载函数中，我们可以调用you-get来帮助我们解析下载视频(不要问为什么调you-get，自己解析太麻烦了)。

这样我们就完成了。

下载完成后：

源码地址: https://github.com/CasterWx/VideoDown