python如何爬取嗶哩嗶哩up主信息和投稿視頻

這篇文章將為大家詳細講解有關(guān)python如何爬取嗶哩嗶哩up主信息和投稿視頻，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

 項目特點

1. 采取了一定的反反爬策略。

2. Bilibili更改了用戶頁面的api, 用戶抓取解析程序需要重構(gòu)。

快速開始

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crawlenv(請參考使用說明里的虛擬環(huán)境安裝)。

3. 激活環(huán)境并在主目錄運行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是開始、結(jié)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(shè)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(jié)果保存在data目錄
# db模式會將數(shù)據(jù)保存在設(shè)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(shè)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(dǎo)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(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

• 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(shè)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

關(guān)于“python如何爬取嗶哩嗶哩up主信息和投稿視頻”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。