項(xiàng)目地址：
https://github.com/cgDeepLearn/BilibiliCrawler
項(xiàng)目特點(diǎn)
- 采取了一定的反反爬策略。
- Bilibili更改了用戶(hù)頁(yè)面的api, 用戶(hù)抓取解析程序需要重構(gòu)。
快速開(kāi)始
- 拉取項(xiàng)目, git clone https://github.com/cgDeepLearn/BilibiliCrawler.git
- 進(jìn)入項(xiàng)目主目錄，安裝虛擬環(huán)境crawlenv(請(qǐng)參考使用說(shuō)明里的虛擬環(huán)境安裝)。
- 激活環(huán)境并在主目錄運(yùn)行crawl,爬取結(jié)果將保存在data目錄csv文件中。
ource activate crawlenv
python initial.py file # 初始化file模式
python crawl_user.py file 1 100 # file模式，1 100是開(kāi)始、結(jié)束bilibili的uid
進(jìn)入data目錄查看抓取的數(shù)據(jù)，是不是很簡(jiǎn)單！
如果需要使用數(shù)據(jù)庫(kù)保存和一些其他的設(shè)置，請(qǐng)看下面的使用說(shuō)明
使用說(shuō)明
1.拉取項(xiàng)目
git clone https://github.com/cgDeepLearn/BilibiliCrawler.git
2.進(jìn)入項(xiàng)目主目錄， 安裝虛擬環(huán)境
conda create -n crawlenv python=3.6
source activate crawlenv # 激活虛擬環(huán)境
pip install -r requirements.txt
virtualenv crawlenv
source crawlenv/bin/activate # 激活虛擬環(huán)境，windows下不用source
pip install -r requirements.txt # 安裝項(xiàng)目依賴(lài)
3. 修改配置文件
進(jìn)入config目錄，修改config.ini配置文件(默認(rèn)使用的是postgresql數(shù)據(jù)庫(kù)，如果你是使用的是postgresql，只需要將其中的參數(shù)替換成你的，下面其他的步驟可以忽略) 數(shù)據(jù)庫(kù)配置選擇其中一個(gè)你本地安裝的即可，將參數(shù)更換成你的 如果你需要更自動(dòng)化的數(shù)據(jù)庫(kù)配置，請(qǐng)移步我的DB_ORM項(xiàng)目
[db_mysql]
user = test
password = test
host = localhost
port = 3306
dbname = testdb
[db_postgresql]
user = test
password = test
host = localhost
port = 5432
dbname = testdb
然后修改conf.py中獲取配置文件的函數(shù)
def get_db_args():
"""
獲取數(shù)據(jù)庫(kù)配置信息
"""
return dict(CONFIG.items('db_postgresql')) # 如果安裝的是mysql,請(qǐng)將參數(shù)替換為db_mysql
進(jìn)入db目錄，修改basic.py的連接數(shù)據(jù)庫(kù)的DSN
# connect_str = "postgresql+psycopg2://{}:{}@{}:{}/{}".format(kwargs['user'], kwargs['password'], kwargs['host'], kwargs['port'], kwargs['dbname'])
# 若使用的是mysql，請(qǐng)將上面的connect_str替換成下面的
connect_str = "mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8".format(kwargs['user'], kwargs['password'], kwargs['host'], kwargs['port'], kwargs['dbname'])
# sqlite3，mongo等請(qǐng)移步我的DB_ORM項(xiàng)目，其他一些數(shù)據(jù)庫(kù)也將添加支持
4. 運(yùn)行爬蟲(chóng)
- 在主目錄激活虛擬環(huán)境， 初次運(yùn)行請(qǐng)執(zhí)行
python initial.py db # db模式，file模式請(qǐng)將db換成file
# file模式會(huì)將抓取結(jié)果保存在data目錄
# db模式會(huì)將數(shù)據(jù)保存在設(shè)置好的數(shù)據(jù)庫(kù)中
# 若再次以db模式運(yùn)行將會(huì)drop所有表后再create，初次運(yùn)行后請(qǐng)慎重再次使用!!!
# 如果修改添加了表，并不想清空數(shù)據(jù)，請(qǐng)運(yùn)行 python create_all.py
python crawl_user.py db 1 10000 # crawl_user 抓取用戶(hù)數(shù)據(jù)，db 保存在數(shù)據(jù)庫(kù)中， 1 10000為抓取起止id
python crawl_video_ajax.py db 1 100 # crawl_video_ajax 抓取視頻ajax信息保存到數(shù)據(jù)庫(kù)中,
python crawl_user_video.py db 1 10000 #同時(shí)抓取user 和videoinfo
# 示例為uid從1到100的user如果有投稿視頻則抓取其投稿視頻的信息，
# 若想通過(guò)視頻id逐個(gè)抓取請(qǐng)運(yùn)行python crawl_video_by_aid.py db 1 1000
程序內(nèi)已進(jìn)行了一些抓取速率的設(shè)置，但各機(jī)器cpu、mem不同抓取速率也不同，請(qǐng)酌情修改
太快太慢請(qǐng)修改各crawl中的sleepsec參數(shù),ip會(huì)被限制訪(fǎng)問(wèn)頻率，overspeed會(huì)導(dǎo)致爬取數(shù)據(jù)不全，
之后會(huì)添加運(yùn)行參數(shù)speed(high, low),不用再手動(dòng)配置速率
爬取日志在logs目錄
user, video分別為用戶(hù)和視頻的爬取日志
storage為數(shù)據(jù)庫(kù)日志 如需更換log格式，請(qǐng)修改logger模塊
linux下運(yùn)行python ......前面加上nohup，例如:
nohup python crawl_user db 1 10000
程序輸出保存文件，默認(rèn)會(huì)包存在主目錄額nohup.out文件中，添加 > fielname就會(huì)保存在設(shè)置的文件中:
nohup python crawl_video_ajax.py db 1 1000 > video_ajaxup_1_1000.out # 輸出將保存在video_ajaxup_1_1000.out中
程序多線(xiàn)程使用的生產(chǎn)者消費(fèi)者模式中產(chǎn)生了程序運(yùn)行的狀況的打印信息，類(lèi)似如下
produce 1_1
consumed 1_1
...
如想運(yùn)行更快，請(qǐng)?jiān)诔绦蚋黜?xiàng)設(shè)置好后注釋掉其中的打印程序
# utils/pcModels.py
print('[+] produce %s_%s' % (index, pitem)) # 請(qǐng)注釋掉
print('[-] consumed %s_%s\n' % (index, data)) # 請(qǐng)注釋掉
更多
項(xiàng)目是單機(jī)多線(xiàn)程，若想使用分布式爬取，請(qǐng)參考Crawler-Celery
以上就是python 爬取嗶哩嗶哩up主信息和投稿視頻的詳細(xì)內(nèi)容，更多關(guān)于python 爬取嗶哩嗶哩的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- python b站視頻下載的五種版本
- 基于python對(duì)B站收藏夾按照視頻發(fā)布時(shí)間進(jìn)行排序的問(wèn)題
- 教你如何使用Python下載B站視頻的詳細(xì)教程
- 利用python+ffmpeg合并B站視頻及格式轉(zhuǎn)換的實(shí)例代碼
- ffmpeg+Python實(shí)現(xiàn)B站MP4格式音頻與視頻的合并示例代碼
- python 爬取B站原視頻的實(shí)例代碼
- Python如何爬取b站熱門(mén)視頻并導(dǎo)入Excel
- Python如何實(shí)現(xiàn)爬取B站視頻
- python3寫(xiě)爬取B站視頻彈幕功能
