一步一步教你如何搭建自己的视频聚合站

（点击上方蓝字，快速关注我们）

来源：ieiayaobb

segmentfault.com/a/1190000010348905

如有好文章投稿，请点击 → 这里了解详情

前言

作为一个炉石传说玩家，经常有事没事开着直播网站看看大神们的精彩表演。不过因为各个平台互相挖人的关系，导致关注的一些主播分散到了各个直播平台，来回切换有点麻烦，所以萌生了做一个视频聚合站的想法。

我主要去采集斗鱼、熊猫等的炉石区的主播信息。虽然各个站点的人气信息有水分，但还是做了个简单的排名。

上图：

手机上的效果图:

话不多说，上网站: http://lushiba.leanapp.cn/

项目部输在了leancloud上，比较省心，但有一定的免费额度（如果显示超出限制，需要晚一些来访问，毕竟免费的，每天6个小时限制）

源码地址: https://github.com/ieiayaobb/lushi8 欢迎Star

• master分支是redis方式存储实现

• lean分支是基于lean cloud的实现

基础介绍

聚合站的思路就是采集目标站点的相关信息，通过数据处理将想要的信息做提取，整理入库，然后通过web展示。因为直播平台数据实时在变，所以考虑将存储的数据放在缓存中（redis），因为部署在了lean cloud上，所以示例就直接存储在了lean cloud的存储上。

为了方便讲解，我们以斗鱼为目标采集的网站，介绍解析和存储部分的内容，其他网站的处理大同小异。

功能说明

整体项目就分为数据采集解析、数据存储、web展现三大功能。后续我们会对这三个部分的功能做逐一展开说明。

技术选型

• 语言（Python）

轻量级的项目，直接就是用了Python来做，Python在爬虫、web方面都有着不错的库支持，而且lean cloud也支持Python部署，所以毫不犹豫的就采用了Python来做

• 数据采集（requests）

requests的特点就是轻量，且简单易用。虽然这是个爬虫项目，但实在规模太小，所以没必要上scrapy了

requests的介绍地址：http://docs.python-requests.org/zh_CN/latest/index.html

请求模拟

url = 'http://www.douyu.com/directory/game/How'

session = requests.Session()

response = session.get(url, verify=False)

数据解析

解析部分主要有两种：正则，BeautifulSoup

这里为了通用，直接使用了正则来解析。

正则处理要求比较高，但是几乎能应对所有的情况，属于大杀器。

BeautifulSoup4的详细介绍: https://www.crummy.com/software/BeautifulSoup/bs4/doc/

• web框架（Django）

Django是Python比较重量级的框架，Django自带了orm的框架，可惜这个项目中用不到。但是我们会使用Django的模板引擎，Django的模板引擎也是很方便的一个特性。Django还提供了django-rest-framework，方便开发RESTful的接口，这个项目后续做了个配搭的React Native的mobile应用，所以引入了django-rest-framework。

详细介绍在此：https://www.djangoproject.com/

• 存储（lean cloud的数据存储）

既然用了lean cloud，存储就直接用了lean提供的存储功能。

详细的介绍在这里: https://leancloud.cn/docs/leanstorage_guide-python.html

• 部署（用了lean cloud的引擎）

参考了lean cloud官方的项目骨架: https://github.com/leancloud/django-getting-started

• 前端展示（pureCSS）

pureCss还是为了简单，支持响应式，并且提供了基础的UI组件

详细介绍在这里: https://purecss.io/

环境准备

Python的开发环境网上比较多，主要是virtualenv的准备，可以看廖老师的博客了解具体信息:https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001432712108300322c61f256c74803b43bfd65c6f8d0d0000

requirments.txt内容如下:

Django==1.9.7

requests==2.10.0

wheel==0.24.0

gunicorn

leancloud-sdk>=1.0.9

分析与采集

视频站内容解析

• 斗鱼炉石区

目标是采集炉石区所有主播的链接地址和人气情况

#### 页面内容（单个主播的信息）

<a class="play-list-link" data-rid='48699' data-tid='2' data-sid='167' data-rpos="0" data-sub_rt="0" href="/yechui" title="衣锦夜行：狂野 登顶登顶"

target="_blank">

<span class="imgbox">

<span class="imgbox-corner-mark">span>

<b>b>

<i class="black">i>


span>

<div class="mes">

<div class="mes-tit">

<h3 class="ellipsis">衣锦夜行：狂野 登顶登顶h3>

<span class="tag ellipsis">炉石传说span>

div>

<p>

<span class="dy-name ellipsis fl">衣锦夜行span>

<span class="dy-num fr" >8.1万span>

p>

div>

a>

衣锦夜行：狂野 登顶登顶

炉石传说

衣锦夜行 8.1万

我们需要采集的有几部分内容：

• 直播间url （节点里的href，/yechui）

• 直播间的标题（节点里的title，衣锦夜行：狂野 登顶登顶）

• 直播间的截图（节点里的img标签的src，https://rpic.douyucdn.cn/a170…）

• 直播间的人气（8.1万）（这里有个注意的地方，斗鱼的人气可能是X万，需要把这个万转化成数值方便排序）

• 主播名称（衣锦夜行）

页面处理与采集

所有完整的直播站处理代码在fetch.py中

#### 命中主播信息节点

re.finditer('([\s\S]*?)', response.content.decode('utf8'))

简单的说明一下代码:

response.content.decode('utf8')

• 主要是讲requests请求的页面以utf8编码返回

• 正则部分就是命中上述的主播节点的内容，截取整个a标签

解析代码

采集href信息（主播房间链接）

href = re.search('href=".*?"', group).group().lstrip('href="').rstrip('"')

采集标题信息

title = re.search('title=".*?"', group).group().lstrip('title="').rstrip('"')

采集截图信息

img = re.search('data-original=".*?"', group).group().lstrip('data-original="').rstrip('"')

采集主播名称

name = re.search('.*?', group).group().lstrip('').rstrip('')

采集人气数量信息

num = re.search('').rstrip('')

处理‘万’字

int(round(float(num.replace('万', '').replace('\r', '').replace('\n', '')) * 10000))

存储与刷新

采集到的信息需要存储到lean cloud的存储中，会调用lean cloud所提供的API

字段设计

Chairman

• id

直播间的唯一id

• name

直播间主播名称

• title

直播间的标题

• href

直播间的页面地址

• num

直播间的人气

• img

直播间的截图

接口设计

/fetch

Fetch的接口包含了清空、采集、解析、存储所有的更新逻辑，设计这个接口的目的主要是方便后面使用云函数进行定时调用，以更新数据，调用逻辑如下（lean cloud不支持全部遍历，所以用了while循环来遍历所有，先清空，再采集）:

leancloud.init(LEAN_CLOUD_ID, LEAN_CLOUD_SECRET)

query = leancloud.Query('Chairman')

allDataCompleted = False

batch = 0

limit = 1000

while not allDataCompleted:

    query.limit(limit)

    query.skip(batch * limit)

    query.add_ascending('createdAt')

    resultList = query.find()

    if len(resultList) < limit:

        allDataCompleted = True

        leancloud.Object.destroy_all(resultList)

    batch += 1

 

fetcher = Fetcher()

fetcher.fetch_douyu()

/chairmans（redis版本才支持）

Django-rest-framework提供，可以通过分页的方式展现当前库中的信息

/chairman/{id}（redis版本才支持）

Django-rest-framework提供，可以根据指定id获取某一个主播的信息

刷新机制

lean cloud提供了一种云函数的概念，并且可以像配置cron一样，定期的去触发某一个请求，为了能够定期的更新排行榜，我们会通过配置这个云函数，实现定期的数据刷新

云函数是一个cloud.py文件，内容如下

engine = Engine(get_wsgi_application())

 

@engine.define

def fetch(**params):

    leancloud.init(LEAN_CLOUD_ID, LEAN_CLOUD_SECRET)

    # fetch逻辑

在lean cloud中配置定时执行

页面展示

页面部分比较简单，以一个列表的形式，展现了主播的排行榜信息，点击某一个主播，直接跳转到对应直播网站的目标直播间。因为考虑到在手机上的显示，所以做了自适应

列表页

列表页的渲染使用了Django的模板引擎

由于lean cloud的存储和Django的orm不一样，所以这里需要将attributes放到列表中，页面上才能用模板语法进行访问

view部分代码:

def get_index(request):

    leancloud.init(LEAN_CLOUD_ID, LEAN_CLOUD_SECRET)

 

    query = leancloud.Query('Chairman')

    chairmans = []

 

    for chairman in query.add_descending('num').find():

        chairmans.append(chairman.attributes)

 

    return render_to_response('index.html', locals(),

                              context_instance=RequestContext(request))

页面部分代码:

{% for chairman in chairmans %}

<a href="{{ chairman.href }}" class="chairman-wrapper">

<div class="pure-g chairman">

<div class="pure-u-1-5">


div>

<div class="pure-u-2-5">

<div class="name">{{ chairman.name }}div>

<div class="title">{{ chairman.title }}div>

div>

<div class="pure-u-1-5">

<span class="type {{ chairman.type }}">span>

div>

<div class="pure-u-1-5">

<div class="num">{{ chairman.num }}人div>

div>

div>

a>

{% endfor %}

项目部署

因为部署在了lean cloud上，可以直接使用提供的lean-cli进行部署，

lean-cli的详细介绍在这里:

https://www.leancloud.cn/docs/leanengine_cli.html# 部署

这里为了方便直接在页面上进行配置

• 配置git库

• 配置Deploy Key

• 设置域名

• 部署

• 配置定时任务

后言

整个项目比较简单，目的是为了练手。如有疑问，欢迎在github上面发issue。

看完本文有收获？请转发分享给更多人

关注「Python开发者」，提升Python技能