1,850 次浏览 发布于 由cst

Python爬虫B站视频信息+Quick BI数据可视化分析

点击链接去看看 --> https://cstweb.top/py-data-work/python_bili_video_data_analysis.html

爬虫实战-随机爬取B站2021年视频信息

这学期通过学习python数据分析，写了个爬虫Python脚本，刚好作为这门课期末作业交了，我爬取的是B站2021年视频信息数据。

备注：爬取的数据仅为了学习爬虫技术，无盈利无传播

使用技术

开发环境：python3 + Pycharm
数据分析库包

  • python网络爬虫：requests 、pymysql、requests、pyquery
  • 数据分析与存储：MySQL、NumPy、Pandas、re
  • 数据可视化：Quick BI

爬虫思路

  • 先去B站寻找所需的视频，F12打开调试，找到相应的数据接口或页面，分析其接口的参数信息，以下三接口是本项目的爬取核心接口

  • # 爬取B站视频信息（含播放量、点赞数等）的接口
bili_video_info_URL = "https://api.bilibili.com/x/web-interface/archive/stat?aid={}" 
# 爬取B站视频的类别标签的接口
bili_video_tag_URL = "https://api.bilibili.com/x/web-interface/view/detail/tag?aid={}"  
# 爬取B站视频的HTML 文本信息，用于获取视频标题和视频发表时间
bili_video_name_URL = "https://www.bilibili.com/video/{}"
    例如下方是 爬取B站视频信息（含播放量、点赞数等）的接口，返回的JSON数据
{
  "code": 0,
  "message": "0",
  "ttl": 1,
  "data": {
      "aid": 2,
      "bvid": "BV1xx411c7mD",
      "view": 3394733,
      "danmaku": 103196,
      "reply": 75021,
      "favorite": 84651,
      "coin": 29730,
      "share": 13916,
      "like": 185117,
      "now_rank": 0,
      "his_rank": 0,
      "no_reprint": 0,
      "copyright": 2,
      "argue_msg": "",
      "evaluation": ""
  }
}
当前节点：JSON.data

  • 如果碰到接口返回的不是JSON数据，而是直接渲染在页面上，此时需要将爬取网页的HTML文本，通过pyquery的JQuery语法提取页面标签中的内容

    text = requests.get(bili_video_name_URL.format(data["bvid"]), headers=headers).text
q = pyquery.PyQuery(text)
q("h1[title]").text(),  # HTML中提取 视频标题
q("span:eq(11)").text()  # HTML中提取 视频发布时间

  • 通过分析，调取这些接口时，发起Get请求时，需要传入bvid或aid的参数，这也就是B站存视频的ID号，且我发现这些ID都是有规律的，视频ID号都是递增的方式，这里我猜测B站存视频信息的ID号是使用数据库中常见的主键ID自增长的形式，所有我用多个不同范围内的数字去尝试，得出了个结果：B站2021年的视频的ID号 范围在（203432111 ~~ 219813111 之间），所以爬取2021年的视频数据，传给对应参数的aid只要在这范围内，就能爬取到数据，如果爬到的是空数据，则跳过当条，期间还解决了一些aid转bvid的事项，爬数据时传入的aid我使用 python的随机数，确定好随机数的范围就行。

    "https://api.bilibili.com/x/web-interface/archive/stat?aid={}"
.format(random.randint(203432111, 219813111)

  • 数据存储，爬下来的数据我存在MySQL数据库

    def save_db():
  # 将爬取的数据保存至服务器上的数据库
  global result, cur, conn, total
  sql = "replace into bili_video values(%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s,now()) ;"
  try:
      cur.executemany(sql, result)
  except Exception as e:
      print("数据回滚:{}", e)
      conn.rollback()
  conn.commit()
  print("本次数据保存成功，当前进度 {}/10000 ---- {} %".format(total, total / hopeTotal * 100))
  result.clear()

#创建数据表   
cur.execute(
      """create table if not exists bili_video
                 (v_aid int primary key,
                  v_bvid varchar(50),
                  v_view int,
                  v_danmaku int,
                  v_reply int,
                  v_favorite int,
                  v_coin int,
                  v_share int,
                  v_like int,
                  v_name text,
                  v_tags text,
                  v_pubtime datetime,
                  create_time datetime)
                  """
)

#为了提升效率，我们插入数据到数据库时，可以使用批量插入，不要每爬一次，就插入一次数据，这样效率不高哦
total += 1
# 每爬取200条数据，批量保存一次到数据库
if total % 200 == 0:
  save_db()
  result.clear()

    注意点：SQL语句我使用replace而不是insert，因为在爬取的过程中，因为是随机的，所以在爬取过程中是有可能碰到重复的，所以使用replace，当碰到重复的数据，替换它即可，避免了没必要的异常出现。

  • 数据爬取方式和遇到的问题爬取数据

    爬取数据的核心代码

    time.sleep(1)  # 每次请求，间隔1秒，避免太快 IP被封
req = requests.get(url, headers=headers, timeout=10).json()
data = req["data"]
if data["view"] != "--" and data["aid"] != 0:
req_tag = requests.get(bili_video_tag_URL.format(data["aid"]), headers=headers, timeout=10).json()
  tag_list = req_tag["data"]
  tags = ",".join([tag["tag_name"] for tag in tag_list])
  text = requests.get(bili_video_name_URL.format(data["bvid"]), headers=headers).text
  q = pyquery.PyQuery(text)
      video = (
          data["aid"],  # 视频编号
          data["bvid"],  # 视频bvid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
          data["like"],  # 点赞数
          q("h1[title]").text(),  # 视频标题
          tags,  # 视频的分类标签
          q("span:eq(11)").text()  # 视频发布时间
      )

print("正在爬取，{}".format(video))

    怎么保证高效的爬取？如果只在本地爬取，那么电脑要一直开着，不方便，所以我把这python脚本放在了个人的云服务器上跑，配置好爬虫所需的环境后，最好将print语句换成logger日志输出方式方便实时查看，然后即可24小时不间断的进行爬取。
    不过也遇到了问题，当爬取速度过快时，会存在IP被限制、被封的情况，这种时候就无法继续爬取了，往往要等一段时间才能解封。我的解决方式是；每爬取一条数据时，程序睡眠1秒再进行，这样有效解决了IP被封的情况，但有时爬的速度慢B站也可能会封禁，这时候我在程序中通过得到接口返回的状态码，判断状态码的参数，即可得知IP是否被限制，如果被限制了，则让程序休眠十分钟，再继续尝试，使用这样的解决方式后，爬虫的效率显著提高了。

    req = requests.get(url, headers=headers, timeout=10).json()
   data = req["data"]
   if req["code"] == -412:
     print("IP被封了, 休眠10分钟后继续尝试...")
     time.sleep(600)
     pass

  • 数据清洗分析和可视化

    Python爬虫是语言优势，工具封装生态完善、效率高
使用NumPy、Pandas、阿里的Quick BI 可视化工具，分析数据库中的，过滤和筛选所需的数据，配置对应的类别轴/维度、值轴/度量、进度指示/度量、扇区标签/维度等参数，生成相应的图表。
----源码后续整理好可能会开源

    Quick-BI

总览图

本次

“Python爬虫B站视频信息+Quick BI数据可视化分析”的232个回复

评论已关闭。