Python爬蟲分享(一天可爬取500萬以上的視訊)
PornHubBot
原始碼地址:https://github.com/xiyouMc/WebHubBot
PornHubBot專案主要是爬取全球最大成人網站PornHub的視訊標題、時長、mp4連結、封面URL和具體的PornHub連結
專案爬的是PornHub.com,結構簡單,速度飛快
爬取PornHub視訊的速度可以達到500萬/天以上。具體視個人網路情況,因為我是家庭網路,所以相對慢一點。
10個執行緒同時請求,可達到如上速度。若個人網路環境更好,可啟動更多執行緒來請求,具體配置方法見 [啟動前配置]
環境、架構
開發語言: Python2.7
開發環境: MacOS系統、4G記憶體
資料庫: MongoDB
主要使用 scrapy 爬蟲框架
從Cookie池和UA池中隨機抽取一個加入到Spider
start_requests 根據 PorbHub 的分類,啟動了5個Request,同時對五個分類進行爬取。
並支援分頁爬取資料,並加入到待爬佇列。
使用說明
啟動前配置
安裝MongoDB,並啟動,不需要配置
安裝Scrapy
安裝Python的依賴模組:pymongo、json、requests
根據自己需要修改 Scrapy 中關於 間隔時間、啟動Requests執行緒數等得配置
啟動
python PornHub/quickstart.py
執行截圖
資料庫說明
資料庫中儲存資料的表是 PhRes。以下是欄位說明:
video_title:視訊的標題,並作為唯一標識.link_url:視訊調轉到PornHub的連結 image_url:視訊的封面連結 video_duration:視訊的時長,以 s 為單位 quality_480p: 視訊480p的 mp4 下載地址
連結:http://www.techug.com/post/pornhubbot.html
專案地址:https://pan.baidu.com/s/1oIDYkx_tTLRitsvsF-pvbQ