如何利用Python快速爬取B站全站視訊資訊
阿新 • • 發佈:2018-11-05
B 站我想大家都熟悉吧,其實 B 站的爬蟲網上一搜一大堆。不過 紙上得來終覺淺,絕知此事要躬行,我碼故我在。最終爬取到資料總量為 760萬 條。
準備工作
首先開啟 B 站,隨便在首頁找一個視訊點選進去。常規操作,開啟開發者工具。這次是目標是通過爬取 B 站提供的 api 來獲取視訊資訊,不去解析網頁,解析網頁的速度太慢了而且容易被封 ip。
勾選 JS 選項,F5 重新整理
找到了 api 的地址
複製下來,去除沒必要的內容,得到 https://api.bilibili.com/x/web-interface/archive/stat?aid=15906633 ,用瀏覽器開啟,會得到如下的 json 資料
動手寫碼
好了,到這裡程式碼就可以碼起來了,通過 request 不斷的迭代獲取資料,為了讓爬蟲更高效,可以利用多執行緒。
核心程式碼
- 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'], # 視訊編號
- data['view'], # 播放量
- data['danmaku'], # 彈幕數
- data['reply'], # 評論數
- data['favorite'], # 收藏數
- data['coin'], # 硬幣數
- data['share'] # 分享數
- )
- 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: # 多執行緒
- executor.map(run, urls)
不要一次性爬取全部連結,我是利用兩個程序,這樣就是多程序+多執行緒了。一個程序一次大概爬取 50w 條資料。100w 條資料的話大概一個多小時吧。分多次爬取,分別將資料儲存為不同的檔名,最後再彙總。
執行的效果大概是這樣的,數字是已經已經爬取了多少條連結,其實完全可以在一天或者兩天內就把全站資訊爬完的。
至於爬取後要怎麼處理就看自己愛好了,我是先儲存為 csv 檔案,然後再彙總插入到資料庫。
彙總的 csv 檔案
資料庫表
由於這些內容是我在幾個月前爬取的,所以資料其實有些滯後了。
資料總量
查詢播放量前十的視訊
查詢回覆量前十的視訊