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
假设已经配置好我们所需要的工具
- 使用mitmproxy对手机app抓包获取我们想要的内容
- 利用appium自动化测试工具，驱动app模拟人的动作(滑动、点击等)
- 将1和2相结合达到自动化爬虫的效果
一、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/
- 1.
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
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
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。
二、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USB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"
}
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
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 webdriver
from 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()
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
下面是爬虫的过程。ps:偶尔会爬取到重复的视频。
