如何快速爬取B站全站視頻信息
B 站我想大家都熟悉吧，其實(shí) B 站的爬蟲網(wǎng)上一搜一大堆。不過 紙上得來終覺淺，絕知此事要躬行，我碼故我在。最終爬取到數(shù)據(jù)總量為 760萬 條。
準(zhǔn)備工作
首先打開 B 站，隨便在首頁找一個(gè)視頻點(diǎn)擊進(jìn)去。常規(guī)操作，打開開發(fā)者工具。這次是目標(biāo)是通過爬取 B 站提供的 api 來獲取視頻信息，不去解析網(wǎng)頁，解析網(wǎng)頁的速度太慢了而且容易被封 ip。
勾選 JS 選項(xiàng)，F(xiàn)5 刷新
找到了 api 的地址
復(fù)制下來，去除沒必要的內(nèi)容，得到 https://api.bilibili.com/x/web-interface/archive/stat?aid=15906633 ，用瀏覽器打開，會(huì)得到如下的 json 數(shù)據(jù)
動(dòng)手寫碼
好了，到這里代碼就可以碼起來了，通過 request 不斷的迭代獲取數(shù)據(jù)，為了讓爬蟲更高效，可以利用多線程。
核心代碼
result = [] req = requests.get(url, headers=headers, timeout=6).json() time.sleep(0.6) # 延遲，避免太快 ip 被封 try: data = req['data'] video = Video( data['aid'], # 視頻編號(hào) data['view'], # 播放量 data['danmaku'], # 彈幕數(shù) data['reply'], # 評(píng)論數(shù) data['favorite'], # 收藏?cái)?shù) data['coin'], # 硬幣數(shù) data['share'] # 分享數(shù) ) with lock: result.append(video) except: pass
迭代爬取
urls = ["http://api.bilibili.com/archive_stat/stat?aid={}".format(i) for i in range(10000)] with futures.ThreadPoolExecutor(32) as executor: # 多線程 executor.map(run, urls)
不要一次性爬取全部鏈接，我是利用兩個(gè)進(jìn)程，這樣就是多進(jìn)程+多線程了。一個(gè)進(jìn)程一次大概爬取 50w 條數(shù)據(jù)。100w 條數(shù)據(jù)的話大概一個(gè)多小時(shí)吧。分多次爬取，分別將數(shù)據(jù)保存為不同的文件名，最后再匯總。
運(yùn)行的效果大概是這樣的，數(shù)字是已經(jīng)已經(jīng)爬取了多少條鏈接，其實(shí)完全可以在一天或者兩天內(nèi)就把全站信息爬完的。
至于爬取后要怎么處理就看自己愛好了，我是先保存為 csv 文件，然后再匯總插入到數(shù)據(jù)庫。
匯總的 csv 文件
數(shù)據(jù)庫表
由于這些內(nèi)容是我在幾個(gè)月前爬取的，所以數(shù)據(jù)其實(shí)有些滯后了。
數(shù)據(jù)總量
查詢播放量前十的視頻
查詢回復(fù)量前十的視頻
各種花樣查詢?nèi)尉x擇!!視頻的鏈接為 https://www.bilibili.com/video/av + v_aid
詳細(xì)代碼請(qǐng)移步至 bili.py
