如何快速爬取B站全站视频信息

　　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。

　　作者：chenjiandongx来源：知乎|2017-11-17 19:56 移动端 收藏 分享Tech Neo技术沙龙 | 11月25号，九州云/ZStack与您一起探讨云时代网络边界管理实践

　　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

　　复制下来，去除没必要的内容，得到 https://api.bilibili.com/x/web-interface/archive/stat?aid=15906633 ，用浏览器打开，会得到如下的 json 数据

　　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: 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: # 多线程 executor.map(run, urls)

　　不要一次性爬取全部链接，我是利用两个进程，这样就是多进程+多线程了。一个进程一次大概爬取 50w 条数据。100w 条数据的话大概一个多小时吧。分多次爬取，分别将数据保存为不同的文件名，最后再汇总。

　　运行的效果大概是这样的，数字是已经已经爬取了多少条链接，其实完全可以在一天或者两天内就把全站信息爬完的。

　　至于爬取后要怎么处理就看自己爱好了，我是先保存为 csv 文件，然后再汇总插入到数据库。

　　汇总的 csv 文件

　　数据库表

　　由于这些内容是我在几个月前爬取的，所以数据其实有些滞后了。

　　数据总量

　　查询播放量前十的视频

　　查询回复量前十的视频

　　各种花样查询任君选择!!视频的链接为 https://www.bilibili.com/video/av + v_aid

　　详细代码请移步至 bili.py

　　对数据感兴趣的话可以邮箱联系我，可以打包赠与。

　　项目地址：chenjiandongx/bili-spider 欢迎围观 vfghjklp;]\78+