飞道的博客

超详细爬取bilibili视频数据

527人阅读  评论(0)

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

  • 通过json解析工具解析获得的数据

  • 每一个直播的详情数据

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


转载:https://blog.csdn.net/qq_45821420/article/details/109982585
查看评论
* 以上用户言论只代表其个人观点,不代表本网站的观点或立场