采集直播视频数据

【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

【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jd
var 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
}
}

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id
var 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);

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js
var 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FlvUrl
var 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t
record re;//返回一个数据
re.id=id; //主播ID
re.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

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！