一步一步教你如何搭建自己的视频聚合站

• 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.o...

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/softwa...

• 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/lea...

• 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/...

• 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/w...
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>
      ![](http://upload-images.jianshu.io/upload_images/2485846-20d3cbfd6e33df69.gif?imageMogr2/auto-orient/strip)
  </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>

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('<a class="play-list-link" .*?>([sS]*?)</a>',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('<span class="dy-name ellipsis fl">.*?</span>',group).group().lstrip('<span class="dy-name ellipsis fl">').rstrip('</span>')

采集人气数量信息

num = re.search('<span class="dy-num fr.*?</span>',group).group().lstrip('<span class="dy-num fr">').rstrip('</span>')

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">
                ![]({{ chairman.img }})
            </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...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。