python 爬取嗶哩嗶哩up主信息和投稿視頻
項目地址:
https://github.com/cgDeepLearn/BilibiliCrawler
項目特點
- 采取了一定的反反爬策略。
- Bilibili更改了用戶頁面的api, 用戶抓取解析程序需要重構。
快速開始
- 拉取項目, git clone https://github.com/cgDeepLearn/BilibiliCrawler.git
- 進入項目主目錄,安裝虛擬環(huán)境crawlenv(請參考使用說明里的虛擬環(huán)境安裝)。
- 激活環(huán)境并在主目錄運行crawl,爬取結果將保存在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是開始、結束bilibili的uid
進入data目錄查看抓取的數(shù)據(jù),是不是很簡單!
如果需要使用數(shù)據(jù)庫保存和一些其他的設置,請看下面的使用說明
使用說明
1.拉取項目
git clone https://github.com/cgDeepLearn/BilibiliCrawler.git
2.進入項目主目錄, 安裝虛擬環(huán)境
- 若已安裝anaconda
conda create -n crawlenv python=3.6 source activate crawlenv # 激活虛擬環(huán)境 pip install -r requirements.txt
- 若使用virtualenv
virtualenv crawlenv source crawlenv/bin/activate # 激活虛擬環(huán)境,windows下不用source pip install -r requirements.txt # 安裝項目依賴
3. 修改配置文件
進入config目錄,修改config.ini配置文件(默認使用的是postgresql數(shù)據(jù)庫,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)庫配置選擇其中一個你本地安裝的即可,將參數(shù)更換成你的 如果你需要更自動化的數(shù)據(jù)庫配置,請移步我的DB_ORM項目
[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)庫配置信息 """ return dict(CONFIG.items('db_postgresql')) # 如果安裝的是mysql,請將參數(shù)替換為db_mysql
進入db目錄,修改basic.py的連接數(shù)據(jù)庫的DSN
# connect_str = "postgresql+psycopg2://{}:{}@{}:{}/{}".format(kwargs['user'], kwargs['password'], kwargs['host'], kwargs['port'], kwargs['dbname']) # 若使用的是mysql,請將上面的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等請移步我的DB_ORM項目,其他一些數(shù)據(jù)庫也將添加支持
4. 運行爬蟲
- 在主目錄激活虛擬環(huán)境, 初次運行請執(zhí)行
python initial.py db # db模式,file模式請將db換成file # file模式會將抓取結果保存在data目錄 # db模式會將數(shù)據(jù)保存在設置好的數(shù)據(jù)庫中 # 若再次以db模式運行將會drop所有表后再create,初次運行后請慎重再次使用!!! # 如果修改添加了表,并不想清空數(shù)據(jù),請運行 python create_all.py
- 開始抓取示例
python crawl_user.py db 1 10000 # crawl_user 抓取用戶數(shù)據(jù),db 保存在數(shù)據(jù)庫中, 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)庫中, python crawl_user_video.py db 1 10000 #同時抓取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, # 若想通過視頻id逐個抓取請運行python crawl_video_by_aid.py db 1 1000
- 爬取速率控制
程序內(nèi)已進行了一些抓取速率的設置,但各機器cpu、mem不同抓取速率也不同,請酌情修改
太快太慢請修改各crawl中的sleepsec參數(shù),ip會被限制訪問頻率,overspeed會導致爬取數(shù)據(jù)不全,
之后會添加運行參數(shù)speed(high, low),不用再手動配置速率
- 日志
爬取日志在logs目錄
user, video分別為用戶和視頻的爬取日志
storage為數(shù)據(jù)庫日志 如需更換log格式,請修改logger模塊
- 后臺運行
linux下運行python ......前面加上nohup,例如:
nohup python crawl_user db 1 10000
程序輸出保存文件,默認會包存在主目錄額nohup.out文件中,添加 > fielname就會保存在設置的文件中:
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
- 更多
程序多線程使用的生產(chǎn)者消費者模式中產(chǎn)生了程序運行的狀況的打印信息,類似如下
produce 1_1 consumed 1_1 ...
如想運行更快,請在程序各項設置好后注釋掉其中的打印程序
# utils/pcModels.py print('[+] produce %s_%s' % (index, pitem)) # 請注釋掉 print('[-] consumed %s_%s\n' % (index, data)) # 請注釋掉
更多
項目是單機多線程,若想使用分布式爬取,請參考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內(nèi)容,更多關于python 爬取嗶哩嗶哩的資料請關注腳本之家其它相關文章!
相關文章
對python中assert、isinstance的用法詳解
今天小編就為的就分享一篇對python中assert、isinstance的用法詳解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11python通過百度地圖API獲取某地址的經(jīng)緯度詳解
這篇文章主要給大家介紹了關于python通過百度地圖API獲取某地址的經(jīng)緯度的相關資料,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧。2018-01-01