Node批量爬取头条视频并保存方法

简介

一般批量爬取视频或者图片的套路是，使用爬虫获得文件链接集合，然后通过 writeFile 等方法逐个保存文件。然而，头条的视频，在需要爬取的 html 文件（服务端渲染输出）中，无法捕捉视频链接。视频链接是页面在客户端渲染时，通过某些 js 文件内的算法或者解密方法，根据视频的已知 key 或者 hash 值，动态计算出来并添加到 video 标签的。这也是网站的一种反爬措施。

我们在浏览这些页面时，通过审核元素，可以看到计算后的文件地址。然而在批量下载时，逐个手动的获取视频链接显然不可取。开心的是，puppeteer 提供了模拟访问 Chrome 的功能，使我们可以爬取经过浏览器渲染出来的最终页面。

项目启动

命令

rush:js;"> npm i npm start

Notice: 安装 puppeteer 的过程稍慢，耐心等待。

配置文件

rush:js;"> // 配置相关 module.exports = { originPath: 'https://www.ixigua.com',// 页面请求地址 savePath: 'D:/videoZZ' // 存放路径 }

技术点

puppeteer

官方API

puppeteer 提供一个高级 API 来控制 Chrome 或者 Chromium。

puppeteer 主要作用：

利用网页生成 PDF、图片

爬取SPA应用，并生成预渲染内容（即“SSR” 服务端渲染）

可以从网站抓取内容

自动化表单提交、UI测试、键盘输入等

使用到的 API：

puppeteer.launch() 启动浏览器实例

browser.newPage() 创建一个新页面

page.goto() 进入指定网页

page.screenshot() 截图

page.waitFor() 页面等待，可以是时间、某个元素、某个函数

page.$eval() 获取一个指定元素，相当于 document.querySelector

page.$$eval() 获取某类元素，相当于 document.querySelectorAll

page.$('#id .className') 获取文档中的某个元素，操作类似jQuery

代码示例

(async () => {
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.goto('https://example.com');
await page.screenshot({path: 'example.png'});

await browser.close();
})();

视频文件下载方法

下载视频主方法

{ // 判断视频文件是否已经下载 if (!fs.existsSync(`${config.savePath}/${video.title}.mp4`)) { await getVideoData(video.src,'binary').then(fileData => { console.log('下载视频中：',video.title) savefiletoPath(video.title,fileData).then(res => console.log(`${res}: ${video.title}`) ) }) } else { console.log(`视频文件已存在：${video.title}`) } }

获取视频数据

{ let req = http.get(url,function (res) { let result = '' encoding && res.setEncoding(encoding) res.on('data',function (d) { result += d }) res.on('end',function () { resolve(result) }) res.on('error',function (e) { reject(e) }) }) req.end() }) }

将视频数据保存到本地

{ fs.writeFile(fileFullName,fileData,'binary',function (err) { if (err) { console.log('savefiletoPath error:',err) } resolve('已下载') }) }) }

目标网站：西瓜视频

项目功能：下载头条号【维辰财经】下的最新20个视频

项目地址：nofollow" target="_blank" href="https://github.com/tibaiwan/spider-video">Github 地址