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
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:
res