超详细爬取bilibili视频数据

1、爬虫心得

  • 1、我们在写爬虫程序的时候可以采用面向对象的方式进行代码构造,使得代码结构更加清晰
  • 2、放我们发现某个网站的PC端网页比较难爬的时候,我们可以查看其手机端是否好爬
  • 3、本爬虫程序解析的文件为json数据文件

2、爬虫页面展示

  • 原始json数据
    在这里插入图片描述

  • 通过json解析工具解析获得的数据
    在这里插入图片描述

  • 每一个直播的详情数据
    在这里插入图片描述

3、代码实操


import requests
import json

class BilibiliSpider():
    def __init__(self):
        self.start_url = 'http://api.bilibili.com/x/web-interface/newlist?rid=195&type=0&pn=1&ps=20'
        self.url_base = 'http://api.bilibili.com/x/web-interface/newlist?rid=195&type=0&pn={}&ps=20'
        self.headers = {"User-Agent":" Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36"}
        # 通过映射来获取分类信息(每一个数字代表着不同的分类)
        self.type_map = {195:'国创'}

    def parse_url(self,url):
        print(url)
        response = requests.get(url,self.headers)
        return response.content.decode()

    def get_content_list(self,html_str):
        html_dict = json.loads(html_str)
        archives_list = html_dict['data']['archives']
        item_list = []
        for archives in archives_list:
            item = {}
            item['type'] = self.type_map[archives['tid']]
            item['aid'] = archives['aid']
            item['tname'] = archives['tname']
            item['title'] = archives['title']
            item['desc'] = archives['desc']
            item['like'] = archives['stat']['like']
            item['dislike'] = archives['stat']['dislike']
            item['duration'] = archives['duration']
            item['tv_url'] = 'https://www.bilibili.com/'+archives['bvid']
            item_list.append(item)
        return item_list

    def save_content_list(self,item_list):
        with open('bilibili.txt','a',encoding='utf-8') as f:
            for item in item_list:
                f.write(json.dumps(item,ensure_ascii=False,indent=2))
        print('保存成功')
    
    # 此函数首相通过起始url获取总直播间数量来构造页码方便翻页爬取
    def get_page_count(self,start_url):
        html_str = self.parse_url(start_url)
        html_dict = json.loads(html_str)
        item_count = html_dict['data']['page']['count']
        page_size = html_dict['data']['page']['size']
        page_count = item_count // page_size + 1 if item_count % page_size > 0 else item_count / page_size
        return page_count

    def run(self):
        page_count = self.get_page_count(self.start_url)
        for page_num in range(1,page_count+1):
            html_str = self.parse_url(self.url_base.format(page_num))
            content_list  = self.get_content_list(html_str)
            self.save_content_list(content_list)

if __name__ == '__main__':
    bilibilispider = BilibiliSpider()
    bilibilispider.run()

以上就是博主在爬取当当网所有图书的案例 希望可以帮助你们
关注我 分享更多爬虫案例

  • 5
    点赞
  • 52
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
包括标题、up主、up主id、精确播放数、历史累计弹幕数、点赞数、投硬币枚数、收藏人数、转发人数、发布时间、视频时长、视频简介、作者简介和标签 爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

专业的小马哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值