搜索关键词采集YouTube视频字幕

　　搜索关键词采集YouTube视频字幕

　　使用python采集YouTube视频字幕

　　本篇博客纯干货！！！

　　最近接到leader安排的采集任务，抓取采集世界上最大的视频共享网站YouTube的视频字幕。

　　分析目标网站，开始抓包

　　当我打开视频链接点击显示字幕按键时，通过浏览器抓取到timedtext这样的一个恳求，而返回的内容即将我想要的数据——每个时间点的字幕。

　　分析该URL有视频ID、signature、key、expire等参数，每次发生变化的是signature，开始通过js突破该参数。过程这儿不做详尽描述。

　　终于在该视频源代码中找到这样一段js

　　"playerCaptionsTracklistRenderer\":{\"captionTracks\":[{\"baseUrl\":\"https:\/\/www.youtube.com\/api\/timedtext?xorp=True\\u0026signature=DC15F46CCF5A97B616CFF6EA13626BC34E24B848.454E61B37E4E1AE37BF2C83F311D8EB362B165AA\\u0026hl=zh-CN\\u0026sparams=caps%2Cv%2Cxoaf%2Cxorp%2Cexpire\\u0026expire=1566051203\\u0026caps=\\u0026key=yttt1\\u0026xoaf=1\\u0026v=7j0xuYKZO4g\\u0026lang=en\\u0026name=English\",

　　原来仍然费尽心思想解析的URL曝露在源码中了，格式化代码后晓得他是一段json串，很多视频信息都在该json中，如发布时间、标题、简介、点击量等；心中的小兴奋?

　　接下来，通过正则匹配须要的URL

　　ytplayer_config = json.loads(re.search('ytplayer.config\s*=\s*([^\n]+?});', response.text).group(1))

caption_tracks = json.loads(ytplayer_config['args']['player_response'])['captions']['playerCaptionsTracklistRenderer']['captionTracks']

for c in caption_tracks:

url = c["baseUrl"] # 在url后拼接上&tlang=zh-Hans返回的字幕为中文，&tlang=en-Hans返回的字幕为英文

　　最后得到字幕URL通过python恳求后解析领到字幕数据。大功告成

　　有字幕的视频就会有baseUrl这个值，没有字幕的视频这样取会报异常的哦～

　　YouTube列表翻页

　　字幕解析下来了，下一步批量采集需要的视频字幕。

　　需求：

　　通过搜索采集结果中所有字幕。

　　分析：

　　视频翻页是基于ajax请求来的，源码里面的信息始终都是第一页的数据，

ok 那既然这样，我们来分析ajax请求，我喜欢用谷歌浏览器，打开开发者工具，network，来抓包。

鼠标一直往下拉，会自动请求，是个post请求，一看就是返回的视频信息。

　　看到这儿很高兴，离胜利早已不远了。但，我们先来看下headers 以及发送的post参数，看了以后 就一句 wtf。。。

　　一万个矮马在奔腾，我把这些加密的参数都标记了，前前端交互，既然是发过去的数据，那肯定早已在后端形成了，至于哪些形成的，那就要一步一步剖析来了，最后。对 我没有剖析下来。。。刚开始挨到挨查看js文件，参数的确是在js上面形成的，但。。。tmd写的很复杂了。。。能力有限，解决不了。难道就这样舍弃了吗。肯定不会，不然 各位也不会见到这篇文章了。于是，我灵机一动，在地址栏上面输入&page=结果，真的返回视频了。。。卧槽 哈哈哈，我当时真是很开心呢。因为后端页面上并没有翻页按键，没想到居然还真的可以这样翻页。。。哈哈

　　接下来就是匹配每页的视频链接 – 访问 – 获取字幕

　　完活 交差 回家 吃饭 睡觉咯

　　感谢观看！