BiliBili(B站) 爬虫

前言

  • 上次写到niconico爬虫,今天上一个bilibili爬虫,使用的依然是webmagic.

webmagic简介地址(请点击)

注意

  • 常规网页展示部分一般分为列表页和详情页,bilibili站是请求后台api返回json,然后使用js生成网页,所有主要设计解析方法为,json解析处理。

  • b站后端json返回格式相对n站更具结构化,清晰,但是要注意能用字符类型尽量用字符串类型,兼容性更好。

  • 本人的springboot 是采用多线程定时器,分别定时跑爬虫数据和下载爬虫资源,以后会在这里慢慢列出解决方法。

  • b站评论和列表可以用api请求得出,但是详情真实地址需不能直获取都加密,可以借助地三处理获取真实数据http://flvurl.cn/ ,另外B站图片和视频均匀简单防倒链,图片,需要。图片需要或删除Referer,这里还有H5的小技巧,以后慢慢说。视频需要 Referer:http://www.bilibili.com/

  • SpiderNicoService为一些数据的入库处理,SslDownloader为webmagic获取https,请求处理。

pom.xml配置

		<dependency>
			<groupId>us.codecraft</groupId>
			<artifactId>webmagic-core</artifactId>
			<!--<version>0.7.2</version>-->
			<version>0.5.2</version>
            <exclusions>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-log4j12</artifactId>
                </exclusion>
            </exclusions>
		</dependency>

process

package win.raychow.modules.spider.base.processor;

import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.stereotype.Service;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
import win.raychow.demo.spider.tool.SslDownloader;
import win.raychow.modules.spider.base.dao.SpiderBili;
import win.raychow.modules.spider.base.domain.BilibiliReplyModel;

import java.util.ArrayList;
import java.util.List;
import java.util.Map;

/**
 * Created by ray on 2017/7/2.
 * 爬虫进程
 */
@Service
public class BilibiliProcessor implements PageProcessor {


    //https://api.bilibili.com/archive_rank/getarchiverankbypartion?type=jsonp&tid=20&pn=1
    private String bashUrl = "https://api.bilibili.com/archive_rank/getarchiverankbypartion?type=jsonp&tid=20&pn=" ;// + i
    //https://www.bilibili.com/video/av11778873/
    private String detailUrl = "https://www.bilibili.com/video/av";
    //https://api.bilibili.com/x/v2/reply?jsonp=jsonp&pn=1&type=1&oid=11253064
    private String replyUrl = "https://api.bilibili.com/x/v2/reply?jsonp=jsonp&pn=1&type=1&oid=";

    private Logger logger = LoggerFactory.getLogger(this.getClass());

    @Value("${spider.bilibili.maxSize}")
    int maxSize;

    @Autowired
    BilibiliPipeLine pipeLine;

    private Site site = Site.me()
            .setUserAgent("Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36")
            .setSleepTime(10 * 1000)
            .setTimeOut(20 * 1000)
            .setRetryTimes(3)
            .setCycleRetryTimes(3);

    @Override
    public Site getSite() {
        return site;

    }

    @Override
    public void process(Page page){



        String pageUrl = page.getUrl().toString();

        logger.info(pageUrl);

        try {
            if (pageUrl.contains(bashUrl)) {

                //列表页
                String text = page.getJson().toString();
                JSONObject jsonObject = JSONObject.parseObject(text);
                JSONObject archives = (JSONObject) ((JSONObject) jsonObject.get("data")).get("archives");

                List<SpiderBili> list = new ArrayList<>();
                List<String> reqList = new ArrayList<>();
                for (Map.Entry<String, Object> entry : archives.entrySet()) {
                    SpiderBili tmp = JSON.parseObject(entry.getValue().toString(),SpiderBili.class);
                    list.add(tmp);

                    String reqTmp = replyUrl + tmp.getAid();
                    reqList.add(reqTmp);
                }
                if (list.size() > 0){
                    page.putField("type", 0);
                    page.putField("data", list);
                    page.addTargetRequests(reqList);
                }
            }
            else if (pageUrl.contains(replyUrl)){
                String text = page.getJson().toString();
                if (text.length() > 10){
                    BilibiliReplyModel replyModel = JSON.parseObject(text,BilibiliReplyModel.class);
                    String aid = pageUrl.replace(replyUrl,"");
                    page.putField("type", 1);
                    page.putField("data", text);
                    page.putField("aid", aid);
                }
            }
            else if (pageUrl.contains(detailUrl)) {
                //详情页

            }
        }
        catch (Exception e){
            logger.error("url:" + pageUrl   );
        }
    }

    public void run(){

        Spider spider = Spider.create(new BilibiliProcessor())
                .setDownloader(new SslDownloader())
                .addPipeline(pipeLine);
                //.addPipeline(new ConsolePipeline());//打印到控制台

        spider.addUrl("https://api.bilibili.com/archive_rank/getarchiverankbypartion?type=jsonp&tid=20&pn=32");
        for (int i = 1; i < maxSize; i++) { //4000
            String tmp = bashUrl + i;
            spider.addUrl(tmp);
        }
        try {
            spider.run();
        }
        catch (Exception e){

        }
    }

}

pipeline

package win.raychow.modules.spider.base.processor;

import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
import win.raychow.modules.spider.base.dao.SpiderBili;
import win.raychow.modules.spider.base.dao.SpiderBiliService;

import java.util.List;

/**
 * Created by ray on 2017/6/18.
 * 爬虫管道
 */
@Service
public class BilibiliPipeLine implements Pipeline {


    @Autowired
    SpiderBiliService service;

    @Override
    public void process(ResultItems resultItems, Task task){
        if (resultItems.getAll().isEmpty() == false) {

            int type = resultItems.get("type");
            if (type == 0){
                //列表内容
                List <SpiderBili> list = resultItems.get("data");
                for (SpiderBili obj: list) {
                    service.updateBySpider(obj);
                }
            }
            else if(type == 1){
                //评论内容
                int aid =  Integer.parseInt(resultItems.get("aid"));
                String string = resultItems.get("data");

                JSONObject jsonObject = JSON.parseObject(string);
                String json = JSON.toJSONString(jsonObject);
                List<SpiderBili> list = service.findByAid(aid);
                //之前有回复主题
                if (list.size() > 0){
                    SpiderBili bili = list.get(0);
                    bili.setReplyJson(json);
                    service.update(bili);
                }


            }

        }

    }
}

原文:http://raychow.linkfun.top/2017/12/08/archives/9_javaSpring/spriderBiliBili/index/

转载于:https://my.oschina.net/u/3729367/blog/1587138

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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
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