抓取斗鱼直播弹幕

前几天看了知乎的一个问题（如何获取斗鱼直播间的弹幕信息？）之后，才有了这个想法。一直对抓取信息比较感兴趣，这次也不会错过咯，尝试一下 →.→

抓取数据的基本思路就是：抓包 → 分析请求信息 → 模拟发送请求 → 获得数据

知乎回答地址：如何获取斗鱼直播间的弹幕信息？ - Brucezz 的回答 - 知乎

Github 项目代码地址：brucezz/DouyuCrawler

最常见的就是用 Chrome 的开发者工具(F12)，然后看 Network 栏，有什么相关的 GET/POST 请求，然后构造相应的参数，用同样的方法发送给服务器，就能得到相应数据了，一般静态网页里的数据用这种方法就能搞定。当然，如果就这个简单的话，这篇博客也没有记录的必要啦，哈哈哈。

另外一个工具 Fiddler，可以捕获 HTTP/HTTPS 协议的流量。

还有一个开源的网络数据包分析软件 Wireshark，这款软件功能更为强大，支持多种协议，能够显示出最为详细的网络数据包数据。

0x01 初探

在直播页面的 HTML 源码里随便翻翻，发现了几点相关的 js 代码：

var $ROOM ={ ... }
var room_args = { ... }

这是定义了两个 js 的字典对象，也就是 JSON 格式的数据咯。用个工具格式化（JSON在线编辑）一下，看起来就很清晰啦。(省略了一些list里面的数据)

{
  "room_id": 16101,
  "room_name": "微笑：  新年快乐啦啦啦~(≧▽≦)",
  "room_gg": {  },
  "room_pic": "http://staticlive.douyutv.com/upload/web_pic/201601/1/16101_1601111612_thumb.jpg",
  "owner_uid": 391270,
  "owner_name": "微笑",
  "show_status": 1,
  "room_url": "http://www.douyutv.com/weixiao",
  "show_id": 8557130,
  "room_pwd": 0,
  "cate_id": 1,
  "cate_name": "英雄联盟",
  "cate_url": "/directory/game/LOL",
  "near_show_time": 0,
  "game_cate_list": {  },
  "all_tag_list": {  },
  "room_tag_list": [  ],
  "show_time": 1452496988,
  "widgetType": 0,
  "widgetPosition": 0
}

其中，一些参数的含义：

room_id：房间id
owner_name：主播名
show_status：当前直播状态，正在直播为1
room_url：房间地址

{
  "rpc_switch": 1,
  "leve_json": {  },
  "exp_level": {  },
  "no_home": 0,
  "no_home_time": "",
  "live_url": 0,
  "res_path": "/common/",
  "swf_url": "http://staticlive.douyutv.com/common/simplayer/WebRoom.swf?v21680",
  "server_config": [
    {
      "ip": "119.90.49.109",
      "port": "8044"
    },
    {
      "ip": "119.90.49.104",
      "port": "8017"
    }
  ],
  "def_disp_gg": 0
}

其中，server_config 字段的数据需要 UrlDecode 解码一下(UrlEncode编码/UrlDecode解码)，才能看到原本的面目。(省略了其他几个服务器地址)

参数：

leve_json：定义了一些房间粉丝等级的标签
server_config：一组服务器地址 ip:port ，后面会用到

页面里还输出了其他几个JSON数据effectConfig，giftBatterConfig，分别是定义了一些礼物的前端效果和对应代码，有需要的时候再去分析。

0x02 抓包分析

既然上面拿到的服务器的地址，就尝试监听一下这几个端口吧，看看有些什么数据发送到服务器了。

用 Wireshark 监听当前网络，过滤条件设置为

tcp.port==8046||tcp.port==8044||tcp.port==8071||tcp.port==8068|| tcp.port==8058||tcp.port==8059||tcp.port==8054||tcp.port==8045||tcp.port==8061&&tcp.flags.push==1

就是过滤监听相应的几个端口，然后我们就能看到本地和服务器通信的数据包啦。

这里有个小插曲，上面这段过滤条件很长嘛，我每次调试的时候它都会变，就得重新拼接这么长个字符串。我实在忍不了了，就写了个 Python 小脚本，自动生成过滤字符串！用法如下：

启动脚本，输入从直播房间 HTML 上复制下来的源代码
复制出生成的过滤条件字符串
粘贴到 Wireshark 里就OK啦！

注：不用刻意去复制对称的引号/括号等等，只要包含整个 server_config 字段就好了，如图

效果图 Here～

prot_filter.py效果图

好了，先看第一个包，长得就是下面这样了。

登录服务器抓包

前面是tcp三次握手的数据包，就不详写了。从蓝色框框位置开始，是正文内容。

正文包含五个部分：

数据长度，大小为后四部分的字节长度，占4个字节
内容和第一部分一样，4字节
斗鱼固定的请求码，本地->服务器是 0xb1,0x02,0x00,0x00，服务器->本地是 0xb2,0x02,0x00,0x00，4字节
消息内容
尾部一个空字节 0x00

消息内容：

type@=loginreq/ # 请求类型
username@=/ # 用户名，匿名为空
ct@=0/ # 未知，设为0即可
password@=/ # 密码
roomid@=16101/ # 直播房间id
devid@=1C01371705D8B13361396AE2FAD50D6F/ # 设备id 32位大写16进制
rt@=1452508198/ # 请求时间戳 秒
vk@=2dcf0e6f1d16e45932a343bb71d5d0ad/ # 某一种key 32位
ver@=20150929/. # 版本号

然后，看服务器返回了什么东西。

登录服务器返回数据

这张图片就证实了，前面说的斗鱼固定的请求码，服务器返回的是 0xb2,0x02,0x00,0x00 四个字节。然后返回了匿名用户的用户名，基本上没什么用。

紧接着，服务器又返回了一条数据。

登录服务器返回数据2

这条包大概是多条返回数据合并到一起了，没关系，一个一个来看。

消息类型为 msgrepeaterlist, 里面包含了一组可用的弹幕服务器地址，数据看起来包含了一堆@符号，是因为用了js代码进行编码。

我用 Chrome 找到了相应的js文件，然后把代码转化为 Java 代码，大概就长下面这个样子：

 public static String deFilterStr(String str) {
      if (str == null) return null;
      return str.trim().replace("@A", "@").replace("@S", "/");
  }

  public static String filterStr(String str) {
      if (str == null) return null;
      return str.trim().replace("@", "@A").replace("/", "@S");
  }

解码出来，通过 / 字符可以把字符串分割成多个以 @= 连接的键值对。其实这个操作也可以用正则来完成。

这样就能得到弹幕服务器的地址了，总共就四个：

danmu.douyutv.com:8061
danmu.douyutv.com:8062
danmu.douyutv.com:12601
danmu.douyutv.com:12602

后面一条消息，类型为 setmsggroup，里面包含了房间编号即 rid 和弹幕群组编号即 gid 。

其余的消息，暂时没发现有什么用途。

然后来监听下弹幕服务器的端口，看看有什么数据。设置下过滤条件： tcp.port==8061||tcp.port==8062||tcp.port==12601||tcp.port==12602&&tcp.flags.push==1

一来就发现了要找的数据包。

弹幕服务器请求数据

向弹幕服务器发送了一条类型为 loginreq 的消息，消息格式如下：

type@=loginreq/
username@=visitor503535/
password@=1234567890123456/
roomid@=16101/.

这个包的格式比较简单，匿名登陆的话，用户名和密码随意就好，roomid 就是目标房间的id。

此时，服务器对应返回了一条没有价值的消息，忽略掉。

然后本地又发送了一条请求加入弹幕群组的消息。

弹幕服务器请求数据2

type@=joingroup/
rid@=16101/
gid@=27/.

其中，rid 就是房间id，gid 是前面从服务器拿到的弹幕群组编号。

这两条消息发送完之后，就是登陆成功了。服务器不断向本地发送弹幕数据，以及鱼丸礼物信息等等。

我这里只简单地解析下弹幕的数据包，对于其他数据包方法一样。

弹幕服务器返回数据

消息类型为 chatmessage , 其中：

sender大概和用户id类似
content为弹幕内容，由于是非 ASCII 字符，在 Wireshark 里没有显示出来
snick为用户昵称
chatmsgid为弹幕唯一id

可以直接用正则表达式提取出来。

另外，根据心跳包机制，我们要不断向服务器发送心跳包，以保持连接。

通过抓包能看到心跳包的样子：

心跳包数据

一条类型为 mrkl(mark keep live ?) 的消息。

至此，抓包分析基本上就搞定了，每一个包的格式也搞明白了，接下来就是模拟发送相同的包，去请求服务器了。

0x03 模拟请求

根据前面抓包分析的结果，模拟过程大概是这样子的：

获取直播房间 HTML 页面，提取出服务器地址和房间ID号
选择一个服务器，发送登陆消息
接收服务器返回的弹幕群组编号 gid 和弹幕服务器地址
选择一个弹幕服务器，发送登陆请求和加入群组的请求
读取服务器返回的弹幕数据
定时发送心跳包

这里主要写一下第三步，向服务器发送请求，获取 gid , 数据格式如下：

type@=loginreq/ # 请求类型
username@=/ # 用户名，匿名为空
ct@=0/ # 未知，设为0即可
password@=/ # 密码
roomid@=16101/ # 直播房间id
devid@=1C01371705D8B13361396AE2FAD50D6F/ # 设备id 32位大写16进制
rt@=1452508198/ # 请求时间戳 秒
vk@=2dcf0e6f1d16e45932a343bb71d5d0ad/ # 某一种key 32位
ver@=20150929/. # 版本号

对应的 Java 请求代码

    socket = new Socket(server.getHost(), server.getPort());//Socket连接服务器

    String timestamp = String.valueOf(System.currentTimeMillis() / 1000);//获取当前时间戳
    String uuid = UUID.randomUUID().toString().replace("-", "").toUpperCase();//构造uuid作为devid参数
    String vk = MD5Util.MD5(timestamp + "7oE9nPEG9xXV69phU31FYCLUagKeYtsF" + uuid);//vk参数
    //发送登陆请求
    MessageHandler.send(socket, Request.gid(rid, uuid, timestamp, vk));
    //等待接收
    MessageHandler.receive(socket, loginListener);

其中vk参数的算法， vk = MD5(timestamp + "7oE9nPEG9xXV69phU31FYCLUagKeYtsF" + devid) ，我还不是很明白，在 Github 上看到的。reusu/DouyuAssistant - Github

最终在控制台的效果，就是这样啦，当然也可以顺便保存到数据库里，可以积累数据然后进行分析。

控制台效果图

0x04 后记

这次抓取斗鱼弹幕，涨了不少姿势呢。

Wireshark 过滤数据包技巧
从抓取 HTTP 数据到抓取 TCP 数据
Java Socket / IO / Thread coding （虽然依然很low）

知乎回答地址：如何获取斗鱼直播间的弹幕信息？ - Brucezz 的回答 - 知乎

Github 项目代码地址：brucezz/DouyuCrawler

参考：