如何快速爬取B站全站视频信息

如何快速爬取B站全站视频信息

chenjiandongxchenjiandongx

B 站我想大家都熟悉吧,其实 B 站的爬虫网上一搜一大堆。不过 纸上得来终觉浅,绝知此事要躬行,我码故我在。最终爬取到数据总量为 760万 条。

准备工作

首先打开 B 站,随便在首页找一个视频点击进去。常规操作,打开开发者工具。这次是目标是通过爬取 B 站提供的 api 来获取视频信息,不去解析网页,解析网页的速度太慢了而且容易被封 ip。

勾选 JS 选项,F5 刷新



找到了 api 的地址



复制下来,去除没必要的内容,得到 api.bilibili.com/x/web- ,用浏览器打开,会得到如下的 json 数据



动手写码

好了,到这里代码就可以码起来了,通过 request 不断的迭代获取数据,为了让爬虫更高效,可以利用多线程。

核心代码

result = []
req = requests.get(url, headers=headers, timeout=6).json()
time.sleep(0.6)     # 延迟,避免太快 ip 被封
try:
    data = req['data']
    video = Video(
        data['aid'],        # 视频编号
        data['view'],       # 播放量
        data['danmaku'],    # 弹幕数
        data['reply'],      # 评论数
        data['favorite'],   # 收藏数
        data['coin'],       # 硬币数
        data['share']       # 分享数
    )
    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:    # 多线程
     executor.map(run, urls)

不要一次性爬取全部链接,我是利用两个进程,这样就是多进程+多线程了。一个进程一次大概爬取 50w 条数据。100w 条数据的话大概一个多小时吧。分多次爬取,分别将数据保存为不同的文件名,最后再汇总。

运行的效果大概是这样的,数字是已经已经爬取了多少条链接,其实完全可以在一天或者两天内就把全站信息爬完的。



至于爬取后要怎么处理就看自己爱好了,我是先保存为 csv 文件,然后再汇总插入到数据库。


汇总的 csv 文件


数据库表



由于这些内容是我在几个月前爬取的,所以数据其实有些滞后了。

数据总量



查询播放量前十的视频



查询回复量前十的视频



各种花样查询任君选择!!视频的链接为 bilibili.com/video/av + v_aid

详细代码请移步至 bili.py

对数据感兴趣的话可以邮箱联系我,可以打包赠与。

项目地址:chenjiandongx/bili-spider 欢迎围观

文章被以下专栏收录
16 条评论
推荐阅读