如何使用Python解析Instagram政策更新后的加密视频URL

问题特征 #

你抓取到的video_url内容存在两类转义字符：

• HTML实体转义："对应双引号、>对应大于号
• Unicode转义：\u0026对应URL参数分隔符&

你提供的抓取到的原始格式示例如下：

video_url":"https://instagram.fcai20-4.fna.fbcdn.net/v/t50.2886-16/248775760_413698173819615_512496183529317258_n.mp4?_nc_ht=instagram.fcai20-4.fna.fbcdn.net\u0026_nc_cat=103\u0026_nc_ohc=R95u_rTZD5oAX-hZX34\u0026edm=AABBvjUBAAAA\u0026ccb=7-4\u0026oe=618206D6\u0026oh=1a20272f818c87943def9daae413a40e\u0026_nc_sid=83d603">>

解决步骤 #

只需要用Python自带模块即可完成转义还原，无需额外安装第三方库：

1. 先解码HTML实体转义字符
2. 还原Unicode转义的分隔符
3. 提取出纯URL内容

通用稳定版代码 #

import html
import json

# 替换为你实际抓取到的原始字符串
raw_content = 'video_url":"https://instagram.fcai20-4.fna.fbcdn.net/v/t50.2886-16/248775760_413698173819615_512496183529317258_n.mp4?_nc_ht=instagram.fcai20-4.fna.fbcdn.net\\u0026_nc_cat=103\\u0026_nc_ohc=R95u_rTZD5oAX-hZX34\\u0026edm=AABBvjUBAAAA\\u0026ccb=7-4\\u0026oe=618206D6\\u0026oh=1a20272f818c87943def9daae413a40e\\u0026_nc_sid=83d603">>'

# 解码HTML转义
html_decoded = html.unescape(raw_content)
# 封装为标准JSON格式处理Unicode转义
json_fragment = '{' + html_decoded.rstrip('>>') + '}'
url_info = json.loads(json_fragment)
accessible_video_url = url_info['video_url']

print(accessible_video_url)

快速简化版代码 #

如果仅处理当前格式的内容，也可以用直接替换的方式快速实现：

import html

raw_content = '你实际抓取到的原始字符串'
decoded_content = html.unescape(raw_content).replace('\\u0026', '&')
# 按双引号分割提取中间的URL部分
accessible_video_url = decoded_content.split('"')[1]

处理完成后得到的URL即可直接在浏览器、下载工具中正常访问。

内容的提问来源于stack exchange，提问作者Hossam Al-din Hassan