8

我想从http://www.youtube-mp3.org/下载几首歌曲。我正在使用 urllib2 和BeautifulSoup

问题是,当我 urllib2 打开带有插入视频 ID 的站点http://www.youtube-mp3.org/?c#v=lV7r8PiuecQ时,我得到了该站点,但他们对此很棘手并加载了信息在带有一些 js ajax 内容的初始页面加载之后。因此,当我尝试抓取下载链接的 url 时,它实际上不在页面上,因为它尚未加载。

任何人都知道我如何在我的 python 脚本中触发这个 js 加载器,或者什么?

这是在将我想要的内容加载到其中之前的相关空 html。

<div id="link_box" style="display:none">
   <div id="link_box_title" style="font-weight:bold; text-decoration:underline">
   </div>
   <div class="row">
    <div id="link_box_bb_code_title" style="font-weight:bold">
    </div>
    <input type="text" id="BBCodeLink" onclick="sAll(this)" />
   </div>
   <div class="row">
    <div id="link_box_html_code_title" style="font-weight:bold">
    </div>
    <input type="text" id="HTMLLink" onclick="sAll(this)" />
   </div>
   <div class="row">
    <div id="link_box_direct_code_title" style="font-weight:bold">
    </div>
    <input type="text" id="DirectLink" onclick="sAll(this)" />
   </div>
  </div>
  <div id="v-ads">
  </div>
  <div id="dl_link">
  </div>
  <div id="progress">
  </div>
  <div id="loader">
   <img src="ajax-loader-b.gif" alt="loading.." width="16" height="11" />
  </div>
 </div>
 <div class="clear">
 </div>
</div>
4

3 回答 3

10

该 API 是基于 JSON 的,因此 html 文件的内容不会为您提供有关在何处找到文件的任何线索。探索像这样的网络服务时,一个好主意是在 Chrome 的开发人员工具中打开网络选项卡,看看它在与页面交互时加载了哪些页面。该练习向我展示了两个 URL 看起来特别有趣:

  1. http://www.youtube-mp3.org/api/pushItem/?item=http%3A//www.youtube.com/watch%3Fv%3DKMU0tzLwhbE&xy=trve&r=1314700829128
  2. http://www.youtube-mp3.org/api/itemInfo/?video_id=KMU0tzLwhbE&adloc=&r=1314700829314

第一个 url 似乎正在排队等待处理的文件,第二个获取处理作业的状态。

第二个 url 采用 video_id GET 参数,该参数是 youtube (http://www.youtube.com/watch?v=KMU0tzLwhbE) 上视频的 id,并返回解码作业的状态。第二个和第三个似乎与此目的无关,您可以通过测试加载带有和不带有额外参数的 url 来验证。

该页面的内容是:

info = { "title" : "Developers", 
         "image" : "http://i4.ytimg.com/vi/KMU0tzLwhbE/default.jpg", 
         "length" : "3", "status" : "serving", "progress_speed" : "", 
         "progress" : "", "ads" : "", 
         "h" : "a0aa17294103c638fa7f5e0606f839d3" };

这恰好是 JSON 数据。其中有趣的一点是“a0aa17294103c638fa7f5e0606f839d3”,它看起来像 Web 服务用来引用解码的 mp3 文件的哈希值。另请查看首页上的下载链接的外观:

http://www.youtube-mp3.org/get?video_id=KMU0tzLwhbE&h=a0aa17294103c638fa7f5e0606f839d3

现在我们把所有缺失的拼图拼在一起。首先,我们获取 youtube 视频的 url (http://www.youtube.com/watch?v=iKP7DZmqdbU) url 引用它并使用这个 url 将其提供给 api:

http://www.youtube-mp3.org/api/pushItem/?item=http%3A//www.youtube.com/watch%3Fv%3DiKP7DZmqdbU&xy=trve

然后,等待片刻,直到解码工作完成:

http://www.youtube-mp3.org/api/itemInfo/?video_id=iKP7DZmqdbU

取 info url 中的哈希值来构造下载 url:

http://www.youtube-mp3.org/get?video_id=iKP7DZmqdbU&h=2e4b61b6ddc8bf83f5a0e4e4ee0635bb

请注意,如果人们开始(在网站管理员的眼中)滥用该网站,则该网站的网站管理员可能不希望被抓取并且会采取反制措施。例如,它似乎使用了引用保护,因此单击此帖子中的链接将不起作用,您必须复制它们并将它们加载到新的浏览器窗口中。

测试代码:

from re import findall
from time import sleep
from urllib import urlopen, quote

yt_code = 'gijypDkEqUA'

yt_url = 'http://www.youtube.com/watch?v=%s' % yt_code
push_url_fmt = 'http://www.youtube-mp3.org/api/pushItem/?item=%s&xy=trve'
info_url_fmt = 'http://www.youtube-mp3.org/api/itemInfo/?video_id=%s'
download_url_fmt = 'http://www.youtube-mp3.org/get?video_id=%s&h=%s'
push_url = push_url_fmt % quote(yt_url)
data = urlopen(push_url).read()
sleep(10)
info_url = info_url_fmt % yt_code
data = urlopen(info_url).read()
res = findall('"h" : "([^"]*)"', data)
download_url = download_url_fmt % (yt_code, res[0])
print 'Download here:', download_url
于 2011-08-30T11:14:31.163 回答
4

您可以使用 selenium 与 js 的内容进行交互,然后将其与 BeautifulSoup 或使用 selenium 做任何事情,就像您喜欢的那样。

http://seleniumhq.org/

Selenium 是一种用于浏览器自动化的工具,并绑定了包括 Python 在内的几种语言。它需要一个正在运行的 Firefox/IE/Chrome 实例,让我们编写它(我建议使用 selenium webdriver 来解决这个简单的问题,而不是整个 selenium 服务器)。

于 2011-08-30T08:43:37.220 回答
2

您将不得不通过h​​ttp://www.youtube-mp3.org/client.js并找出正在传递的确切信息,这可以让您发布请求、解析响应并下载从正确的抓取网址。

于 2011-08-30T08:37:38.347 回答