如何用python爬取抖音app数据

     
记录一下如何用python爬取app数据，本文以爬取抖音视频app为例。  


编程工具：pycharm  app

抓包工具：mitmproxy  app

自动化工具：appium  

运行环境：windows10  

思路：  

假设已经配置好我们所需要的工具

1、使用mitmproxy对手机app抓包获取我们想要的内容  

2、利用appium自动化测试工具，驱动app模拟人的动作（滑动、点击等）  

3、将1和2相结合达到自动化爬虫的效果  

# mitmproxy/mitmdump抓包  

确保已经安装好了mitmproxy，并且手机和PC处于同一个局域网下，同时也配置好了mitmproxy的CA证书，网上有很多相关的配置教程，这里我就略过了。  

因为mitmproxy不支持windows系统，所以这里用的是它的组件之一mitmdump，它是mitmproxy的命令行接口，可以利用它对接我们的Python脚本，用Python实现监听后的处理。

 在配置好mitmproxy之后,在控制台上输入mitmdump并在手机上打开抖音app，mitmdump会呈现手机上的所有请求，如下图       


可以在抖音app一直往下滑，看mitmdump所展示的请求，会发现前缀分别为  

•  

http://v1-dy.ixigua.com/；http://v3-dy.ixigua.com/；http://v9-dy.ixigua.com/  

这3个类型前缀的url正是我们的目标抖音视频url。  


那接下来就要编写python脚本将视频下载下来，需要使用 mitmdump -s scripts.py（此处为python文件名）来执行脚本。

•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  

import requests# 文件路径path = 'D:/video/'num = 1788 def response(flow): global num # 经测试发现视频url前缀主要是3个 target_urls = ['http://v1-dy.ixigua.com/', 'http://v9-dy.ixigua.com/', 'http://v3-dy.ixigua.com/'] for url in target_urls: # 过滤掉不需要的url if flow.request.url.startswith(url): # 设置视频名 filename = path + str(num) + '.mp4' # 使用request获取视频url的内容 # stream=True作用是推迟下载响应体直到访问Response.content属性 res = requests.get(flow.request.url, stream=True) # 将视频写入文件夹 with open(filename, 'ab') as f: f.write(res.content) f.flush() print(filename + '下载完成') num += 1  


代码写得比较粗糙，不过基本的逻辑还是比较清晰的，这样我们就可以把抖音的视频下载下来，不过这个方法有个缺陷，就是获取视频需要人来不断地滑动抖音的下一个视频，这时候我们可以用一个强大的appium自动化测试工具来解决。  


# Appium对手机进行模拟操作  


确保已经配置好appium所依赖的环境Android和SDK，网上也有许多教程，这里我就不说了。  appium的用法很简单，首先我们先打开appium，启动界面如下

 


点击Start Server按钮即可启动appium服务

 
 


将Android手机通过数据线与PC相连，同时打开USE调试功能，可以输入adb命令（具体可以去网上查找）测试连接情况，若出现以下结果，则说明连接成功  

 

model是设备名，后面配置需要用到。之后点击下图箭头所指的按钮就会出现一个配置页面  





 


在右下角的JSON Representation配置启动app的Desired Capabilities参数，分别是paltformName、deviceName、appPackage、appActivity。  

platformName:平台名称，一般是Android或iOS.  

deviceName:设备名称，手机的具体类型  

appPackage:App程序包名  

appActivity:入口Activity名，通常以.开头  



 


platformName和deviceName比较容易获得，而appPackage和appActivity这两个可以通过以下方法获取到。  在控制台上输入   adb logcat>D:log.log  命令，并且在手机打开抖音app，然后在D盘中打开log.log文件，查找Displayed关键字  


 

由上图可以知道Displayed后面的 com.ss.android.ugc.aweme对应的是appPackage，.main.MainActivity对应的是appActivity，最后我们的配置结果如下：  

•  
•  
•  
•  
•  
•  

{ "platformName": "Android", "deviceName": "Mi_Note_3", "appPackage": "com.ss.android.ugc.aweme", "appActivity": ".main.MainActivity"}  


再点击Start Session即可启动Android手机上的抖音app并进入到启动页面，同时PC上会弹出一个调试窗口，从这个窗口可以预览当前手机页面，还可以对手机模拟各种操作，在本文不是重点，所以略过。






 在下面我们将使用python脚本来驱动app，直接在pycharm运行即可

•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  

from appium import webdriverfrom time import sleep class Action(): def __init__(self): # 初始化配置，设置Desired Capabilities参数 self.desired_caps = { "platformName": "Android", "deviceName": "Mi_Note_3", "appPackage": "com.ss.android.ugc.aweme", "appActivity": ".main.MainActivity" } # 指定Appium Server self.server = 'http://localhost:4723/wd/hub' # 新建一个Session self.driver = webdriver.Remote(self.server, self.desired_caps) # 设置滑动初始坐标和滑动距离 self.start_x = 500 self.start_y = 1500 self.distance = 1300 def comments(self): sleep(2) # app开启之后点击一次屏幕，确保页面的展示 self.driver.tap([(500, 1200)], 500) def scroll(self): # 无限滑动 while True: # 模拟滑动 self.driver.swipe(self.start_x, self.start_y, self.start_x, self.start_y-self.distance) # 设置延时等待 sleep(2) def main(self): self.comments() self.scroll() if __name__ == '__main__': action = Action() action.main()


下面是爬虫的过程。ps:偶尔会爬取到重复的视频

 

 

原文标题：实战：带你用Python爬取抖音app视频

文章出处：【微信公众号：马哥Linux运维】欢迎添加关注！文章转载请注明出处。

审核编辑：汤梓红