如何快速爬取B站全站视频信息

桂林seo半杯酒博客

  如何快速爬取B站全站视频信息

  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 https://api.bilibili.com/x/web-interface/archive/stat?aid=15906633 ,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 https://www.bilibili.com/video/av + v_aid

  详细代码请移步至 bili.py