0.前言
前几天(寒假前咯)闲着无聊，看到舍友们都在看斗鱼TV，虽然我对那些网络游戏都不是非常感兴趣,但是我突然间想到，如果我可以获取上面的弹幕内容,不就有点意思了么？
1.分析阶段
如果我想要抓取网页上面的东西，无非就是两种方法
使用浏览器，手工（自己点击）或者非手工（使用JS脚本），存取我想要的东西。
编写HTTP客户端（斗鱼无HTTPS通讯）
第一种方法是万能的，但显然是不行的， 原因如下：
手动保存实在是不可行，程序员不为也。
浏览器与本地交互有限，换而言之，也就是即使我抓取了对应的弹幕，我也没有办法解决持久化的问题。
假设你选择的是Chrome或者firefox浏览器，也不是不能实现持久化，但这需要写扩展,Chrome扩展没有写过，也不是很感兴趣。
第二种方法显然是一个正常的程序员的做法。
语言选用Ruby
写一个客户端，也就是写一个小爬虫,使用的场景:
用户在终端执行命令
gem install danmudanmu douyu [room_id/url]#比如
danmu douyu qiuri
danmu douyu http://www.douyutv.com/13861
然后就可以在终端欣赏弹幕咯.
Screen Shot 2016-02-09 at 12.23.15 PM.png
回想一下抓取网站的方法
四步走：请求网页（原始数据） - 提取数据（提纯数据） - 保存数据 - 分析数据
很显然，只要解决了请求网页，其他的也就无非解析和SQL语句什么的。
1.1.斗鱼TV弹幕抓取的思路确定
如果是像我上面说的那么简单，也就不必再写一篇文章。毕竟，网页小爬虫没有什么技术含量。分布式爬虫才有。
通常情况下的网页小爬虫无非要解决如下问题：
请求，如果对方有一定策略的反爬虫，那需要反反爬虫。比如，
header带上host，带上refer，带上其他
需要验证，那就申请用户名和密码，然后登陆
如果在登录时期有防跨站机制，那就先获取一次登录页面，然后解析出token，带上对应的token然后登陆。
在程序中加入Log，并且存到本地。防止出现各种各样的反爬虫机制ban掉了程序，从而方便进行下一步防反爬虫对策。
并且，由于请求响应机制的存在，通常情况下，每一个请求对应一个响应,如果出错了，要么超时，要么有状态码，所以普通的web爬虫也相对而言比较容易些。
那么，斗鱼TV的站点是不是这样子的就能够容易爬取呢？
你猜到了，答案是“不是”。
由于弹幕具有实时性，就决定了斗鱼TV的弹幕无法通过保存完整指定时间端弹幕的XML（比如BILIBILI的一个视频弹幕是存在一段xml中的）或者Json数据来显示弹幕。要不然的话，那主播操作很出色的时候，观众的弹幕岂不是无法实时显示了么？
那么，肯定就是WebSocket了，于是，我一如既往的打开F12，查看网络流量。
正如你想到的那样，没有任何的弹幕流量来往。一个WebSocket的消息都没有。
那么，消息肯定是有的，但是消息并不是通过HTTP协议或者WebSocket协议传输的，那么问题会出在哪呢？
分析前端的代码，找出获取弹幕的JS代码，苦于代码太多，找了很久没有找到。那也就是执行逻辑可能在flash里面。
于是祭出大杀器WireShark，抓一下流量。终于看到弹幕的样子了。
是这样的。
原来使用的是Flash的Socket功能。
那么,我们只需要模拟Socket的每一条消息就好了.
多分析几组数据，但还是对发送消息内容缺乏把握，特别是在用户认证，用户接收弹幕这一块。在搜索引擎上搜索了一阵，发现知乎上有个帖子，读完终于解了我的疑惑。
地址为:www.zhihu.com/question/29…
在此基础上,省略若干消息分析过程。
总结后得出斗鱼TV网站的服务器分布。
1.2.房间信息和弹幕认证服务器获取
首先我们拿随便一个主播房间来说，比如，qiuri
Ta的房间链接分为两种
对这个主播房间页面请求，正常，所有的有用信息都不是放在HTML中渲染出来，而是有一条放在HTML中内置的JS脚本中，这是为了减少服务器渲染HTML的压力？可是渲染放在JS里面不也一样需要渲染？（不明白）总之，就是程序先加载没有具体数据填充页面，然后JS更新数据。
内置的两段JS脚本，JS脚本中有两个变量，该变量很容易转换成JSON数据，也就是两段JSON数据，一个是关于主播的个人信息，另一个是关于弹幕认证服务器的列表（该列表中的任意一个服务器均可以认证，但每一次请求主播页面得到的认证服务器列表都不一样）
通过这步，我们就拿到了主播的信息以及弹幕服务器的认证地址，端口。
1.3.发送Socket消息的流程简介
我们通过抓包，分析那一大坨数据包，可以确定以下通过以下的流程便可以获取弹幕消息。（分析过程比较繁琐）
首先建立两个Socket。一个用于认证(@danmu_auth_socket)，另一个用户获取弹幕(@danmu_client)。
步骤1: @danmu_auth_socket 发送消息登陆,获取消息1解析出匿名用户的用户名，再获取消息2解析出gid
步骤2: @danmu_auth_socket 发送qrl消息，获取两个没有什么用的消息
步骤3: @danmu_auth_socket 发送keeplive消息
步骤4: @danmu_socket 发送伪登陆消息（所有匿名用户都一样只需要输入步骤一中用户名就行了，因为认证已经在上面做过了）
步骤5: @danmu_socket 发送join_group消息需要步骤一中国的gid
步骤6: @danmu_socket 不断的recv消息就可以获取弹幕消息了
后面会详细解释
2.1.消息Socket消息格式以及发送一条消息
既然是发消息，那么每条消息总是有些格式的。
斗鱼的消息格式大致如下：
每一条消息并遵循下面的格式：
1.通信协议长度,后四个部分的长度,四个字节
2.第二部分与第一部分一样
3.请求代码,发送给斗鱼的话,内容为0xb1,0x02, 斗鱼返回的代码为0xb2,0x02
4.发送内容
5.末尾字节
# -*- encoding : utf-8 -*-classMessage# 向斗鱼发送的消息# 1.通信协议长度,后四个部分的长度,四个字节# 2.第二部分与第一部分一样# 3.请求代码,发送给斗鱼的话,内容为0xb1,0x02, 斗鱼返回的代码为0xb2,0x02# 4.发送内容# 5.末尾字节#pack('c*')是字节数组转字符串的一种诡异的转化方式definitialize(content) @length = [content.size +9,0x00,0x00,0x00].pack('c*') @code = @length.dup @magic = [0xb1,0x02,0x00,0x00].pack('c*') @content = content @end = [0x00].pack('c*')enddefto_s @length + @code + @magic + @content + @endendend
经过封装，我们仅仅关注那些可见的字符串，也就是Content部分就可以了。
content部分，也就是发送消息的内容，在文章后面将会详解。
开启两个Socket，一个用户认证，另一个用于弹幕的获取。
用于用户弹幕认证的，是2.1中所说的认证服务器列表中任意一个。挑选出来一组ip和端口
@danmu_auth_socket = TCPSocket.new @auth_dst_ip,@auth_dst_port
用户获取弹幕的只要为
danmu.douyutv.com:8601danmu.douyutv.com:8602danmu.douyutv.com:12601danmu.douyutv.com:12602
四组域名:端口均可以作为如下的DANMU_SERVER和PORT
@danmu_socket = TCPSocket.new DANMU_SERVER,DANMU_PORT
发送一条消息只需如此
data ="type@=loginreq/username@="+@username+"/password@=1234567890123456/roomid@=" + @room_id.to_s +"/"
all_data = message(data)
@danmu_socket.write all_data
把需要传输的字符串放进去就好了.
接下来，我们需处理上面说的六个步骤
2.2.发送消息详细流程之步骤一
发送消息内容为：
type@=loginreq/username@=/ct@=0/password@=/roomid@=156277/devid@=DF9E4515E0EE766B39F8D8A2E928BB7C/rt@=1453795822/vk@=4fc6e613fc650a058757331ed6c8a619/ver@=20150929/
我们需要注意的内容如下：
type 表示消息的类型登陆消息为loginrequsername 不需要，请求登陆以后系统会自动的返回对应的游客账号。ct 不清楚什么意思，默认为0并无影响password 不需要roomid 房间的iddevid 为设备标识，无所谓，所以我们使用随机的UUID生成rt 应该是runtime吧，时间戳vk 为时间戳+"7oE9nPEG9xXV69phU31FYCLUagKeYtsF"+devid的字符串拼接结果的MD5值（这个是参考了一篇文章，关于这一处我也不大明白怎么探究出来的）
ver 默认
通过这一步，我们可以获取两条消息，并从消息中使用正则表达式获取对应的用户名以及gid
str = @danmu_auth_socket.recv(4000) @username= str[/\/username@=(.+)\/nickname/,1] str = @danmu_auth_socket.recv(4000) @gid = str[/\/gid@=(\d+)\//,1]
2.3.发送消息详细流程之步骤二
发送的消息内容为
"type@=qrl/rid@=" + @room_id.to_s + "/"
无需多说，类型为qrl，rid为roomid，直接发送这条消息就好。返回的两条消息也没有什么价值。
data ="type@=qrl/rid@=" + @room_id.to_s +"/" msg = message(data) @danmu_auth_socket.write msg str = @danmu_auth_socket.recv(4000) str = @danmu_auth_socket.recv(4000)
2.4.发送消息详细流程之步骤三
发送的消息内容为
"type@=keeplive/tick@=" + timestamp + "/vbw@=0/k@=19beba41da8ac2b4c7895a66cab81e23/"
直接发送。无太大意义。
data ="type@=keeplive/tick@=" + timestamp +"/vbw@=0/k@=19beba41da8ac2b4c7895a66cab81e23/" msg = message(data) @danmu_auth_socket.write msg str = @danmu_auth_socket.recv(4000)
前三步，也就是2.2-2.3-2.4三步骤，也就是使用@danmu_auth_socket 完成获取username和gid的重要步骤。获取这两个字段以后，也就完成了它存在的使命。
接下来的就是@danmu_socket获取弹幕的时候了！
2.5.发送消息详细流程之步骤四
消息内容为:"type@=loginreq/username@="+@username+"/password@=1234567890123456/roomid@=" + @room_id.to_s + "/"
和上面2.2中略有不同。但是，需要注意的是
username 为2.2中所得到的username
password 的值得变化
data ="type@=loginreq/username@="+@username+"/password@=1234567890123456/roomid@=" + @room_id.to_s +"/" all_data = message(data) @danmu_socket.write all_data str = @danmu_socket.recv(4000)
2.6.发送消息详细流程之步骤五
接下来就是完成认证的最后一步了，join_group的消息内容为
"type@=joingroup/rid@=" + @room_id.to_s + "/gid@="+@gid+"/"
gid为2.2中所得到的gid。
data ="type@=joingroup/rid@=" + @room_id.to_s +"/gid@="+@gid+"/"
msg = message(data)
@danmu_socket.write msg
2.7.发送消息详细流程之步骤六
获取弹幕，并且打印出来。
danmu_data = @danmu_socket.recv(4000) type = danmu_data[danmu_data.index("type@=")..-3] puts type.gsub('sui','').gsub('@S','/').gsub('@A=',':').gsub('@=',':').split('/')
后三步，则是@danmu_socket 获取弹幕的步骤。
于是，通过这些步骤，就可以完成了简单的danmu的核心代码，接下来的步骤就是完善，重构这些代码了。
总结
痛点一，至今还没有解决rtmp地址的获取
找了很久没有办法解决rtmp地址的自动获取：
路径如下
这一处的请求不是XHR，也就是不是JS脚本通过XMLHttpRequest异步加载;那么，八成是flash通过http协议获取的。我估计八成执行逻辑应该是在flash之中。也就不方便获取其中的sign值.故,暂时无法解析rtmp视频流地址了
学习Python过程中会遇到很多问题，可以到我们的 python学习交流群【六 五 三，四 六 六，六 六 八】，基础，进阶。从企业招聘人才需求 到怎么学习python，和学习什么内容都有免费系统分享。希望可以帮助你快速了解Python，学习python
