HTML5视频播放的一点儿小收获

 

事情的起因是因为本人最近在淘宝网上买了一套Photoshop的视频,但是有个问题就是,它只能在淘宝学习模块观看,但是淘宝学习做的不能用难用来形容(相比网易云课堂慕课网),于是我萌生了把视频下载下来的想法。

开始准备工作,以为满心欢喜的打开了F12,准备把它抓取出来。然后就开始问题来了:

然后,发现它的URL是一个blob,由此,开始引入Blob类。

我才疏学浅,就不进行解释了,直接贴出MDN的地址 。

大概知道就是,这个东西被后台“加密”了一次(后面了解了这个技术以后,发现主流的iqiyi、bilibili都是这样的做法)。

这是个怎么样的过程呢,其实就是后台再向前台返回流的时候,前台以{ responseType: 'blob'}的形式进行接收。这样的话,我们的多媒体文件就没有直接暴露在浏览器中,就相对来说不会轻易的被爬虫获取。因为我是参考的网上的高人的博客,雷同的部分就不多追谁,在此,我仅仅贴出部分代码:

import Hls from 'hls.js';
import axios from 'axios';

export default {
  name: 'home',
  data () {
    return {
      videoSrc: "这是一个正确指向的url"
    }
  },
  mounted(){
    var video = this.$refs.hls;
    axios.get(this.videoSrc, { responseType: 'blob' }).then(response => {
      if(typeof Hls !== undefined && Hls.isSupported()) {
        var hls = new Hls();
        hls.loadSource(URL.createObjectURL(response.data));
        hls.attachMedia(video);
        hls.on(Hls.Events.MANIFEST_PARSED,() => { video.play(); });
    } else if (video.canPlayType('application/vnd.apple.mpegurl')) {
      video.src = this.videoSrc;
      video.addEventListener('loadedmetadata',function() {
          video.play();
        });
      }
    });
  }
}

经过这样的折腾之后(请忽略代码中的Hls,稍后会提到),其实对于那种比较小的视频(当时我测试的),此时其实已经能够应付了,但是我比较好奇了,假如说我一个1G的视频文件也直接这样传输到前台,可能吗?我觉得是肯定不可能吧。

于是继续查资料,终于找到了目前主流的做法。跳转门,雷同的我就不多叙述,由此引入上面代码中的HLS(本文中我也仅仅只研究了HLS,RTMP尚未覆盖),因为HLS是Apple公司开发的技术,默认只有在Safari中支持,需要在Chrome等浏览器中支持需要引入hls.js(如果你用video.js那就另当别论了哟)。

最后,发现淘宝学习也是用的HLS,于是我想把视频下载下来的初衷似乎无法完成了,不过感谢这个机会让自己了解到这么多东西,提前祝大家新年快乐,希望能够帮到大家。

内容概要:本文系统研究了基于CNN-SVM的卷积神经网络与支持向量机融合的数据分类预测方法,聚焦其在工业故障识别中的应用,提供了完整的Matlab代码实现。通过CNN提取输入数据的深层空间特征,再由SVM进行高精度分类,充分发挥两者优势,有效提升了故障识别的准确性、鲁棒性与泛化能力。该方法特别适用于处理电力系统、机械设备等领域的高维、非线性、强噪声监测数据,在变压器故障诊断、轴承缺陷识别等场景中具有重要应用价值。文档还整合了机器学习、深度学习、图像处理、路径规划、电力系统优化等多个前沿科研方向的技术资源,配套大量Matlab/Simulink仿真案例与Python代码,全面支持科研复现与工程实践。; 适合人群:具备一定编程基础,熟练掌握Matlab或Python语言,从事电气工程、自动化、人工智能、机械故障诊断等相关领域研究的研发人员及高校研究生; 使用场景及目标:① 实现工业设备的状态监测与多类别故障分类;② 深入理解CNN与SVM融合模型的设计原理与工程实现细节;③ 借助所提供的丰富算法案例开展科研复现、模型优化与系统仿真验证; 阅读建议:建议按照文档目录结构系统化学习,结合百度网盘提供的完整代码资源进行动手实践,重点关注CNN特征提取层与SVM分类器之间的数据接口设计与参数调优策略,同时可延伸学习文中涉及的其他智能算法及其在电力系统、信号处理等领域的交叉应用,全面提升科研创新能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值