抖音的数据抓取与数据背后的淘宝
分析的背景
截至今年7月，抖音日活已突破3.2亿。抖音总裁张楠预测，到2020年，国内短视频行业的总日活用户数，将达到10亿。抖音推出多元变现方式，要让1000万创作者赚到钱 ，抖音说要让这1000万创作者赚到钱，其中变现的方式有很多种，我今天主要是想分享抖音背后的淘宝产业链，我们刷抖音视频的过程中，我们会发现有些视频是在推广淘宝的商品，这个就是创作者变现的渠道之一，从淘宝店铺角度来说，抖音达人帮其推广商品，需要付给达人一定的广告费用；从淘宝角度来说，淘宝有一个叫淘宝联盟的平台，每一个帮淘宝推销商品的人，淘宝联盟将其定义为淘宝客，只要淘宝客推广的商品有人购买，那么淘宝联盟会支付给淘宝客一定比例的佣金。简而言之，抖音达人有两部分收入：淘宝商家的广告费+淘宝联盟的佣金（交易成功的前提下）。本文主要分析抖音达人发帖到淘宝之间的过程。
抖音的帖子
帖子的正文
我们可以看到左下角有一个购物车的标示。没错，他就是淘宝商品的链接，点击打开如下
这个就是达人帖子推广的商品，点击即可跳到淘宝APP
综上所述，我们可以抓取某个达人的列表数据来分析背后的商品数据，从而可以得到对应的淘宝店铺的数据。
抖音APP抓包
本次使用的iphone 的抖音version8.0.0的版本，anyproxy作为代理的抓包工具
anyproxy是阿里巴巴开发的一个优秀的代理的轮子，当然啦，国外还有一个mitmproxy
anyproxy 的安装教程可以参考：
https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/d978d3b8f2aa
anyproxy 的官方链接: 貌似需要稳定的国际网络环境才可以访问
https://link.zhihu.com/?target=http%3A//anyproxy.io
anyproxy 的项目地址：
https://link.zhihu.com/?target=https%3A//github.com/alibaba/anyproxy
我们可以使用anyproxy和mitmproxy来作为抓包的分析工具，
anyproxy 是基于nodeJs开发的 （推荐熟悉nodeJs的人使用）
mitmproxy 是基于python开发的 (推荐熟悉python的人使用)
使用这个两个工具主要是可以做数据的拦截与转发，这两者的都是利用到来中间人的攻击的原理，后面的我们爬虫开发也是利用这个原理。当然了单纯的做数据分析，可以使用fidder和charles等常见的抓包工具。
安装好anyproxy 需要手机设置信任证书以及代理
代理的设置，anyproxy 默认使用8001端口作为代理的端口
设置代理
设置信任证书
手机打开抖音APP其中的一个达人帖子的列表
某个达人的帖子列表页面
电脑打开：http://localhost:8002/ 可以看到流经手机所有的数据，其中当然也包含了抖音APP的数据. 可以看见抖音达人的帖子链接
做一下URL的条件过滤：https://api-hl.amemv.com/aweme/v1/aweme/post/
通过这个分析可以看到每一篇帖子都有simple_promotions的字段，这个字段就是携带推广商品的信息，我们可以先把这个ID存到数据，再根据商品的ID来获取到淘宝店铺的其他信息
anyproxy默认的代理拦截与转发的设置
这里说明一下，默认在终端执行anyproxy -i ,anyproxy 会自动加载在/usr/local/lib/node_modules/anyproxy/lib/rule_default.js的文件，我们需要拦截抖音的数据，我们需要在其同级的目录新建一个douyin.js 文件即可，执行anuproxy -i douyin.js，那么anyproxy就根据douyin.js里面的逻辑做拦截转发的操作。这个mac的文件的默认位置，window的默认文件位置自己全局搜索一下rule_default.js即可以找到
具体的文件douyin.js代码如下
复制代码
1 'use strict';
2
3 module.exports = {
4
5 summary: 'the default rule for AnyProxy',
6
7 /**
8 *
9 *
10 * @param {object} requestDetail
11 * @param {string} requestDetail.protocol
12 * @param {object} requestDetail.requestOptions
13 * @param {object} requestDetail.requestData
14 * @param {object} requestDetail.response
15 * @param {number} requestDetail.response.statusCode
16 * @param {object} requestDetail.response.header
17 * @param {buffer} requestDetail.response.body
18 * @returns
19 */
20 *beforeSendRequest(requestDetail) {
21 console.log('this is request')
22 return null;
23 },
24
25
26 /**
27 *
28 * 设置截取抖音的数据
29 * @param {object} requestDetail
30 * @param {object} responseDetail
31 */
32 *beforeSendResponse(requestDetail, responseDetail) {
33 if (requestDetail.url.indexOf('https://api-hl.amemv.com/aweme/v1/aweme/post/') >= 0) { //抖音达人的详细信息app端
34 const newResponse = responseDetail.response;
35 newResponse.body = newResponse.body.toString();
36 const posturl="/WebCrawler/douyin/AppUserData"
37 HttpPost(newResponse.body,requestDetail.url,posturl)
38 console.log('传送app端达人的详细信息')
39
40 }
41
42
43
44 return null;
45 },
46
47
48 /**
49 * default to return null
50 * the user MUST return a boolean when they do implement the interface in rule
51 *
52 * @param {any} requestDetail
53 * @returns
54 */
55 *beforeDealHttpsRequest(requestDetail) {
56 return null;
57 },
58
59 /**
60 *
61 *
62 * @param {any} requestDetail
63 * @param {any} error
64 * @returns
65 */
66 *onError(requestDetail, error) {
67 return null;
68 },
69
70
71 /**
72 *
73 *
74 * @param {any} requestDetail
75 * @param {any} error
76 * @returns
77 */
78 *onConnectError(requestDetail, error) {
79 return null;
80 },
81
82
83 /**
84 *
85 *
86 * @param {any} requestDetail
87 * @param {any} error
88 * @returns
89 */
90 *onClientSocketError(requestDetail, error) {
91 return null;
92 },
93 };
94
95
96 //传输数据到本地自己的服务器进行入库存储的操作
97 function HttpPost(json,url,path) {//将json发送到服务器，str为json内容，url为历史消息页面地址，path是接收程序的路径和文件名
98 console.log("开始执行转发操作");
99 try{
100 var http = require('http');
101 var data = {
102 json: json,
103 url: encodeURIComponent(url),
104 data:'Im jiehuhu'
105 };
106 data = require('querystring').stringify(data);
107 var options = {
108 method: "POST",
109 host: "127.0.0.1",//注意没有http://，这是服务器的域名。
110 port: 8080,
111 path: path,//接收程序的路径和文件名
112 headers: {
113 'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
114 "Content-Length": data.length
115 }
116 };
117 var req = http.request(options, function (res) {
118 res.setEncoding('utf8');
119 res.on('data', function (chunk) {
120 console.log('BODY: ' + chunk);
121 });
122 });
123 req.on('error', function (e) {
124 console.log('problem with request: ' + e.message);
125 });
126
127 req.write(data);
128 req.end();
129 }catch(e){
130 console.log("错误信息："+e);
131 }
132
133 console.log("转发操作结束"+req);
134 }
复制代码
具体的后端有一个项目来接收anyproxy 拦截转发的数据，我这的使用的javaWeb项目名字叫做WebCrawler项目来处理请求
大体的抖音APP数据的采集流程图如下：
这里采用的是 java+tomcat8+mysql的技术框架，这是我一年前的技术栈 ，当然现在的我更加喜欢用mongoDB和Python,处理起来的时间比较快
也可以使用python + mongoDb 来处理anyproxy 传送过来的数据
具体的自动化的操作部分暂时没有完成，可以使用手机自动化测试工具Appium或者按键精灵
数据结果如下：抖音的部分数据
根据商品的ID获取到淘宝店铺的数据
根据淘宝商品的ID来获取淘宝店铺的信息也是需要开发一个新的爬虫。这里不作过多说明，难度还是有一点，商品爬虫关键需要搞懂淘宝的签名机制
淘宝H5的签名机制，感兴趣自己慢慢研究。。。。反正我是研究出来了哈哈哈哈
具体的爬下来的数据我放在百度云，链接如下：有兴趣的可以看一下
链接:https://pan.baidu.com/s/1O5CYJeJYiL6uB7e56_WPUA 密码:1abc
以上就是抖音数据的抓取过程，以及延伸至淘宝的过程，大致的思路
抖音APP通过anyproxy来获取抖音达人所有的帖子
分析帖子里面推广的商品的ID，根据商品的ID来获取店铺相关的信息
分析一个达人到底在推广哪些商品，和那一些店铺在合作。
通过大规模的数据抓取以分析，就可以分析出那些店铺在抖音做大规模的推广
关于呼呼：会点爬虫，会点后端，会点前端，会点数据分析，会点算法，一个喜欢陈奕迅的👨https://www.cnblogs.com/nn839155963/p/11557411.html