B 站我想大家都熟悉吧，其實 B 站的爬蟲網(wǎng)上一搜一大堆。不過 紙上得來終覺淺，絕知此事要躬行，我碼故我在。最終爬取到數(shù)據(jù)總量為 760萬 條。

準(zhǔn)備工作

首先打開 B 站，隨便在首頁找一個視頻點擊進(jìn)去。常規(guī)操作，打開開發(fā)者工具。這次是目標(biāo)是通過爬取 B 站提供的 api 來獲取視頻信息，不去解析網(wǎng)頁，解析網(wǎng)頁的速度太慢了而且容易被封 ip。

勾選 JS 選項，F(xiàn)5 刷新

找到了 api 的地址

復(fù)制下來，去除沒必要的內(nèi)容，得到 https://api.bilibili.com/x/web-interface/archive/stat?aid=15906633 ，用瀏覽器打開，會得到如下的 json 數(shù)據(jù)

動手寫碼

好了，到這里代碼就可以碼起來了，通過 request 不斷的迭代獲取數(shù)據(jù)，為了讓爬蟲更高效，可以利用多線程。

核心代碼

result = [] 
req = requests.get(url, headers=headers, timeout=6).json() 
time.sleep(0.6)     # 延遲，避免太快 ip 被封 
try: 
    data = req['data'] 
    video = Video( 
        data['aid'],        # 視頻編號 
        data['view'],       # 播放量 
        data['danmaku'],    # 彈幕數(shù) 
        data['reply'],      # 評論數(shù) 
        data['favorite'],   # 收藏數(shù) 
        data['coin'],       # 硬幣數(shù) 
        data['share']       # 分享數(shù) 
    ) 
    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:    # 多線程 
     executor.map(run, urls) 

不要一次性爬取全部鏈接，我是利用兩個進(jìn)程，這樣就是多進(jìn)程+多線程了。一個進(jìn)程一次大概爬取 50w 條數(shù)據(jù)。100w 條數(shù)據(jù)的話大概一個多小時吧。分多次爬取，分別將數(shù)據(jù)保存為不同的文件名，最后再匯總。

運行的效果大概是這樣的，數(shù)字是已經(jīng)已經(jīng)爬取了多少條鏈接，其實完全可以在一天或者兩天內(nèi)就把全站信息爬完的。

至于爬取后要怎么處理就看自己愛好了，我是先保存為 csv 文件，然后再匯總插入到數(shù)據(jù)庫。

匯總的 csv 文件

數(shù)據(jù)庫表

由于這些內(nèi)容是我在幾個月前爬取的，所以數(shù)據(jù)其實有些滯后了。

數(shù)據(jù)總量

查詢播放量前十的視頻

查詢回復(fù)量前十的視頻

各種花樣查詢?nèi)尉x擇?。∫曨l的鏈接為 https://www.bilibili.com/video/av + v_aid

詳細(xì)代碼請移步至 bili.py

對數(shù)據(jù)感興趣的話可以郵箱聯(lián)系我，可以打包贈與。

項目地址：chenjiandongx/bili-spider 歡迎圍觀  vfghjklp;]\78+