前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >老司机教你下载tumblr上视频和图片的正确姿势

老司机教你下载tumblr上视频和图片的正确姿势

作者头像
用户1631416
发布2018-04-12 13:32:06
4.4K0
发布2018-04-12 13:32:06
举报
文章被收录于专栏:玄魂工作室

本文面向初学者。

很多同学问我:“我非常想学Python编程,但是找不到兴趣点”。 还有的同学呢,找到了很好的兴趣点,但是无从下手,“玄魂老师,我想下载tumblr上的视频, 怎么下载,Python能实现吗?你懂得(这里有一个淫笑的表情)”。

好吧,我表示对他所要表达的意思秒懂了,宅男都喜欢看别人开车。今天本人姑且装一把老司机, 带大家来分析下如何下载tumblr上的图片和视频。请大家准备好纸巾,哦不,是准备好开发工具, 我们开始写代码。

1.1 需求分析

下载一个站点上的图片和视频,无非就是写一个简易的爬虫,这里我不去使用现有的爬虫框架, 也可以很容易的完成任务。编写指定页面的爬虫,需要对目标页面的HTML结构进行分析,如果 是AJAX请求,需要进行多次的请求分析;如果存在身份验证,则要进一步处理Cookie等数据。一般的 爬虫的基本结构如下图:

即使编写一个最小的爬虫,我们也要有一个任务调度器,用来生成任务条目到队列中, 针对不同的任务类型,要编写不同的下载器。不考虑分布式部署的情况下,每一个下载器(Downloader) 应该在一个线程中执行任务。今天我们的要编写的爬虫略微简单,考虑到入门级同学,过多的 概念就不介绍了,以免发蒙。

如果你还不知道Tumblr是什么的话,请百度。 Tumblr(中文名:汤博乐) 成立于2007年,是目前全球最大的轻博客网站,也是轻博客网站的始祖。Tumblr(汤博乐)是一种介于传统博客和微博之间的全新媒体形态,既注重表达,又注重社交,而且注重个性化设置,成为当前最受年轻人欢迎的社交网站之一。雅虎公司董事会2013年5月19日决定,以11亿美元收购Tumblr。 这是一个高大上的网站,很多设计师,动图爱好者的聚集地。不过目前需要FQ访问。

下面我们来看一下tumblr的个人空间。

如图,每个tumblr的个人空间都是一个二级域名,你甚至可以绑定你自己的域名。在个人主页上, 是一个微博式的消息列表,有文字,图片,视频等形式。消息的展现,是页面上的JavaScript脚本 通过请求Tumblr的Api来获取返回信息,然后添加到页面上的。通过API,可以省掉很多麻烦,至少 我们不必分析整个页面的html来提取需要的信息了。

下面我们看一下接口:

上面的代码是一个接口模板,第一个参数是要访问的用户空间的用户名;第二个参数是媒体类型, 图片为“photo”,视频为“video”;第三个参数为请求的资源数;第四个参数为从第几个资源开始 请求。 下面我们构造一个photo的请求,看看返回的数据是什么样的。

我们看到返回的数据是XML格式的数据,基本的层级为Tumblr>posts>post。图片的URL在post的photo-url字段中,视频与此类似,就不再演示了。 获取到媒体资源的url之后,就可以进行下载了。

我们再构造一个video类型的请求。

video类型的资源的url,需要从player属性中进行进一步匹配才能得出最后的结果。

在具体编码之前,我们需要对可能遇到的技术难点进行一个评估,并找到解决方案。

1.2 技术点分析

1.2.1 如何发送http请求

这里推荐 request模块(https://pypi.python.org/pypi/requests/)。在我们要实现的功能 中,直接使用request模块的get方法就可以了。

1.2.2 如何处理xml数据

使用request模块发送并接收数据之后,要处理返回的XML数据,因为我们只需要获取photo-uri字段的 值就可以了,所以这里推荐使用xmltodict模块(https://pypi.python.org/pypi/xmltodict)。 xmltodic模块,将xml文档处理成类似Json对象,方便我们对数据进行访问。

1.2.3 如何实现Queue

python中自带Queue模块,可以满足我们目前的队列需求,由于python2.7和python3.0中 对queue模块的命名进行的变更,编程的时候需要注意。如果考虑兼容两个版本的话,可以 考虑引入six模块(https://pypi.python.org/pypi/six)。six模块是一个专门用于解决 从python2.x到python3.x的兼容性问题的模块,它对python版本变更导致到部分模块不能应用的问题 进行了内部处理,需要处理类似兼容问题的时候,可以考虑或者参考该模块的实现方式。

1.2.4 如何实现多线程

关于Python多线程,请自行搜索相关文章进行学习,例子很多,这里就不详细说明了。

1.2.5 如何处理json

考虑到Tumblr需要FQ访问,如果本机不使用V**的话,可能需要配置代理,代理采用json配置方式。 处理.使用python内置的json模块(https://docs.python.org/2/library/json.html)就可以了。

1.2.6 如何使用正则表达式

为了精确匹配url信息,我们需要使用正则表达式对xml数据的中字段值进行进一步处理,使用 内置的re模块(https://docs.python.org/2/library/re.html)就可以了。

1.3 搭建程序基本框架

通过上面的分析,我们编写一个下载Tumblr图片和视频的简易爬虫已经没有技术障碍了,下面 我们搭建基本框架。

以下代码非玄魂原创,参考自https://github.com/dixudx/tumblr-crawler,做了部分修改

1 # 设置请求超时时间

2 TIMEOUT = 10

3

4 # 尝试次数

5 RETRY = 5

6

7 # 分页请求的起始点

8 START = 0

9

10 # 每页请求个数

11 MEDIA_NUM = 50

12

13 # 并发线程数

14 THREADS = 10

15

16 # 是否下载图片

17 ISDOWNLOADIMG=True

18

19 #是否下载视频

20 ISDOWNLOADVIDEO=True

21

22 #任务执行类

23 class DownloadWorker(Thread):

24 def __init__(self, queue, proxies=None):

25 Thread.__init__(self)

26 self.queue = queue

27 self.proxies = proxies

28

29 def run(self):

30 while True:

31 medium_type, post, target_folder = self.queue.get()

32 self.download(medium_type, post, target_folder)

33 self.queue.task_done()

34

35 def download(self, medium_type, post, target_folder):

36 pass

37

38 def _handle_medium_url(self, medium_type, post):

39 pass

40

41 def _download(self, medium_type, medium_url, target_folder):

42 pass

43

44 #调度类

45 class CrawlerScheduler(object):

46

47 def __init__(self, sites, proxies=None):

48 self.sites = sites

49 self.proxies = proxies

50 self.queue = Queue.Queue()

51 self.scheduling()

52

53 def scheduling(self):

54 pass

55

56

57

58 def download_videos(self, site):

59 pass

60

61 def download_photos(self, site):

62 pass

63

64 def _download_media(self, site, medium_type, start):

65 pass

66

67 #程序入口

68 #初始化配置

首先,我们定义了一些全局变量,看注释就明白用途了,不做过多解释。

现在看上面的类和方法的定义。DownloadWorker类,执行具体的下载任务,因为每个下载任务 要在单独的线程中完成,所以我们将DownloadWorker类继承Thread类。DownloadWorker接收从CrawlerScheduler 传递过来的Queue,它会从queue中请求任务来执行。同时如果用户配置了代理,在执行http请求的时候会使用代理。 run方法是线程启动方法,它会不停的从queue中请求任务,执行任务。download方法,首先调用_handle_medium_url 方法,获取当前任务的url,然后调用_download方法执行具体的下载任务。

CrawlerScheduler类,根据配置中需要处理的用户名,创建任务队列,初始化任务线程,启动线程执行任务。 scheduling方法,创建并启动工作线程,然后调用download_videos和download_photos方法。 download_videos和download_photos方法分别调用_download_media方法,创建具体的任务队列。_download_media 方法,首先根据传入的site创建对应的本地文件夹,然后请求Tumblr的接口,获取用户所有的图片或者视频数据压入队列。

除了上面的核心方法之外,我们创建两个配置文件proxies.json和sites.txt文件。proxies.json用来配置 代理,默认为空。

代码语言:javascript
复制
{}

可以根据你使用的代理,进行具体的配置,比如:

代码语言:javascript
复制
{  "http": "http://10.10.1.10:3128",  "https": "127.0.0.1:8787"}

或者

代码语言:javascript
复制
{    "http": "socks5://user:pass@host:port",    "https": "socks5://127.0.0.1:1080"}

sites.txt文件用来配置我们要请求的用户空间,只需要配置用户名即可,例如:

代码语言:javascript
复制
want2580,luoli-qaq

1.4 具体实现

这里大家使用最新的python版本就可以了,安装Python的时候一定要将pip一同安装。 根据1.2节的分析,我们需要安装如下模块:

requests>=2.10.0 xmltodict six PySocks>=1.5.6

为了方便,可以将这些依赖放到一个requirements.txt文件中。

然后执行命令:

pip install -r requirements.txt

基本环境准备完毕之后,在具体实现逻辑之前先引入依赖的模块。

代码语言:javascript
复制
# -*- coding: utf-8 -*-import osimport sysimport requestsimport xmltodictfrom six.moves import queue as Queuefrom threading import Threadimport reimport json

下面我们先来完善CrawlerScheduler类的scheduling方法。

代码语言:javascript
复制
def scheduling(self):        # 创建工作线程
        for x in range(THREADS):
            worker = DownloadWorker(self.queue,
                                    proxies=self.proxies)            #设置daemon属性,保证主线程在任何情况下可以退出
            worker.daemon = True
            worker.start()        for site in self.sites:            if ISDOWNLOADIMG:
                self.download_photos(site)            if ISDOWNLOADVIDEO:
                self.download_videos(site)

代码语言:javascript
复制

根据全局变量THREADS定义的最大线程数,创建DownloadWorker对象,并调用start方法,启动线程。 接下来根据传入的sites,循环调用download_photos和download_videos方法。下面我们看download_photos和download_videos方法 的实现。

代码语言:javascript
复制
 def download_videos(self, site):
        self._download_media(site, "video", START)        # 等待queue处理完一个用户的所有请求任务项        self.queue.join()        print("视频下载完成 %s" % site)    def download_photos(self, site):
        self._download_media(site, "photo", START)         # 等待queue处理完一个用户的所有请求任务项        self.queue.join()        print("图片下载完成 %s" % site)

这两个方法,只是调用了_download_media方法,传入各自的类型,和分页请求的其实索引值,目前都是从0开始。 下面看核心的_download_media方法。

代码语言:javascript
复制
def _download_media(self, site, medium_type, start):        #创建存储目录
        current_folder = os.getcwd()
        target_folder = os.path.join(current_folder, site)        if not os.path.isdir(target_folder):
            os.mkdir(target_folder)

        base_url = "http://{0}.tumblr.com/api/read?type={1}&num={2}&start={3}"
        start = START        while True:
            media_url = base_url.format(site, medium_type, MEDIA_NUM, start)
            response = requests.get(media_url,
                                    proxies=self.proxies)
            data = xmltodict.parse(response.content)            try:
                posts = data["tumblr"]["posts"]["post"]                for post in posts:                    # select the largest resolution
                    # usually in the first element                    self.queue.put((medium_type, post, target_folder))
                start += MEDIA_NUM            except KeyError:                break

_download_media方法,会在当前程序执行目录创建以用户名命名的子文件夹,用来存储图片和视频文件。这里 使用os.getcwd()来获取当前程序执行的觉得路径,然后通过os.path.join(current_folder, site)构造目标文件夹 路径,通过os.path.isdir(target_folder)来判断是否已经存在该文件夹,如果没有则通过os.mkdir(target_folder) 创建文件夹。

接下来,_download_media方法循环进行分页请求,来获取图片或视频资源信息。通过requests.get(media_url,proxies=self.proxies) 发送http get请求,通过response.content获取返回的数据,然后利用xmltodict.parse(response.content)来 反序列化xml数据到data对象。调用 data["tumblr"]["posts"]["post"],获取当前返回数据中的所有媒体资源。 然后循环调用self.queue.put((medium_type, post, target_folder))方法,将每一个post字段压入队列。此时压入队列的post包含了 一个图片或者视频的各项数据,需要在worker线程执行的时候进一步处理才能得到具体的url,后面我们继续分析。

scheduling类的实现已经完成了,在scheduling类的scheduling方法中启动了线程,每个worker对象的run方法 都会执行。

代码语言:javascript
复制
   def run(self):        while True:
            medium_type, post, target_folder = self.queue.get()
            self.download(medium_type, post, target_folder)
            self.queue.task_done()

run 方法,通过self.queue.get()方法,从任务队列中获取一条任务,每个任务包含媒体类型(图片或则视频), 每个媒体的post信息以及下载文件保存的目标文件夹。run方法将这些信息传入download方法。

代码语言:javascript
复制
 def download(self, medium_type, post, target_folder):        try:
            medium_url = self._handle_medium_url(medium_type, post)            if medium_url is not None:
                self._download(medium_type, medium_url, target_folder)        except TypeError:            pass

download方法首先通过_handle_medium_url方法获取具体的资源的url,然后调用_download执行下载。

代码语言:javascript
复制
def _handle_medium_url(self, medium_type, post):        try:            if medium_type == "photo":                return post["photo-url"][0]["#text"]            if medium_type == "video":
                video_player = post["video-player"][1]["#text"]
                hd_pattern = re.compile(r'.*"hdUrl":("([^\s,]*)"|false),')
                hd_match = hd_pattern.match(video_player)                try:                    if hd_match is not None and hd_match.group(1) != 'false':                        return hd_match.group(2).replace('\\', '')                except IndexError:                    pass
                pattern = re.compile(r'.*src="(\S*)" ', re.DOTALL)
                match = pattern.match(video_player)                if match is not None:                    try:                        return match.group(1)                    except IndexError:                        return None        except:            raise TypeError("找不到正确的下载URL "
                            "请到 "
                            "https://github.com/xuanhun/tumblr-crawler"
                            "提交错误信息:\n\n"
                            "%s" % post)

_handle_medium_url方法,根据媒体的不同采用了不同的资源获取方法。不过获取图片的方法这里还是有缺陷的, 因为用户在一个post中可能会发送一组图片,目前的方法只处理了第一张图片。如果是视频,先取出video-player 的文本内容,然后通过正则表达式匹配出视频的url,具体匹配原理,你只要参考视频请求返回的xml内容就明白了, 这里就不详细分析了。下面我们看如何下载资源。

代码语言:javascript
复制
def _download(self, medium_type, medium_url, target_folder):
        medium_name = medium_url.split("/")[-1].split("?")[0]        if medium_type == "video":            if not medium_name.startswith("tumblr"):
                medium_name = "_".join([medium_url.split("/")[-2],
                                        medium_name])

            medium_name += ".mp4"

        file_path = os.path.join(target_folder, medium_name)        if not os.path.isfile(file_path):            print("Downloading %s from %s.\n" % (medium_name,
                                                 medium_url))
            retry_times = 0            while retry_times < RETRY:                try:
                    resp = requests.get(medium_url,
                                        stream=True,
                                        proxies=self.proxies,
                                        timeout=TIMEOUT)
                    with open(file_path, 'wb') as fh:                        for chunk in resp.iter_content(chunk_size=1024):
                            fh.write(chunk)                    break
                except:                    # try again
                    pass
                retry_times += 1            else:                try:
                    os.remove(file_path)                except OSError:                    pass
                print("Failed to retrieve %s from %s.\n" % (medium_type,
                                                            medium_url))

_download方法先构造存储文件的路径,如果文件存在则不再反复下载,这样可以保证在下载出现错误的情况下, 我们可以手动重启程序,多次下载。通过

代码语言:javascript
复制
resp = requests.get(medium_url,
                                        stream=True,
                                        proxies=self.proxies,
                                        timeout=TIMEOUT)

发送get请求,获取流数据,然后每次从流中请求1024bit数据写入磁盘,直到流结束为止:

代码语言:javascript
复制
 with open(file_path, 'wb') as fh:                        
 for chunk in resp.iter_content(chunk_size=1024):
                            fh.write(chunk)

至此所有核心代码都完善完毕,是不是很简单呢?确实很简单,这就是Python的强大之处。最后我们完善下程序的入口。

代码语言:javascript
复制
def usage():    print(u"未找到sites.txt文件,请创建.\n"
          u"请在文件中指定Tumblr站点名,并以逗号分割,不要有空格.\n"
          u"保存文件并重试.\n\n"
          u"例子: site1,site2\n\n"
          u"或者直接使用命令行参数指定站点\n"
          u"例子: python tumblr-photo-video-ripper.py site1,site2")def illegal_json():    print(u"文件proxies.json格式非法.\n"
          u"请参照示例文件'proxies_sample1.json'和'proxies_sample2.json'.\n"
          u"然后去 http://jsonlint.com/ 进行验证.")if __name__ == "__main__":
    sites = None

    proxies = None    if os.path.exists("./proxies.json"):
        with open("./proxies.json", "r") as fj:            try:
                proxies = json.load(fj)                if proxies is not None and len(proxies) > 0:                    print("You are using proxies.\n%s" % proxies)            except:
                illegal_json()
                sys.exit(1)    if len(sys.argv) < 2:        #校验sites配置文件
        filename = "sites.txt"
        if os.path.exists(filename):
            with open(filename, "r") as f:
                sites = f.read().rstrip().lstrip().split(",")        else:
            usage()
            sys.exit(1)    else:
        sites = sys.argv[1].split(",")    if len(sites) == 0 or sites[0] == "":
        usage()
        sys.exit(1)

    CrawlerScheduler(sites, proxies=proxies)

我们定义了usage方法,提示用户如何使用,illegal_json方法提示代理配置错误。 在程序的入口处,先判断是否有代理配置,如果有则取出信息。sites的配置支持从文件和命令行参数传入两种方式。最后 初始化CrawlerScheduler,启动抓取程序。


1.5 小结

至此,程序构造完毕,总共才200行左右的代码,没有什么能阻挡荷尔蒙的迸发,进军吧,少年们,把撸鸡鸡的手解放出来撸撸代码,你也能做老司机! 玩笑归玩笑,希望这能激发你编程的欲望,自己动手敲一敲,会学到很多的,也许就爱上编程了呢。

最后,全部完整代码,我已经放到github上了(https://github.com/xuanhun/tumblr-crawler),如果你在微信中阅读本文,点击阅读原文,可以跳转过去。我认为我已经 讲解的够详细了,同时源代码已经给到了,你还是搞不定的话,只能说编程不适合你。

本文参与?腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2017-01-18,如有侵权请联系?cloudcommunity@tencent.com 删除

本文分享自 玄魂工作室 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与?腾讯云自媒体同步曝光计划? ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 本文面向初学者。
    • 1.1 需求分析
      • 1.2 技术点分析
        • 1.2.1 如何发送http请求
        • 1.2.2 如何处理xml数据
        • 1.2.3 如何实现Queue
        • 1.2.4 如何实现多线程
        • 1.2.5 如何处理json
        • 1.2.6 如何使用正则表达式
      • 1.3 搭建程序基本框架
        • 1.4 具体实现
          • 1.5 小结
          相关产品与服务
          多因子身份认证
          多因子身份认证(Multi-factor Authentication Service,MFAS)的目的是建立一个多层次的防御体系,通过结合两种或三种认证因子(基于记忆的/基于持有物的/基于生物特征的认证因子)验证访问者的身份,使系统或资源更加安全。攻击者即使破解单一因子(如口令、人脸),应用的安全依然可以得到保障。
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
          http://www.vxiaotou.com