spiders-for-all 0.2.2

爬取、下载哔哩哔哩、小红书等网站数据、视频, 持续更新中...

https://github.com/iiicebearrr/spiders-for-all/assets/110714291/d28e67f5-8ff2-4e39-b6de-14434cfb9804

https://github.com/iiicebearrr/spiders-for-all/assets/110714291/4696cd19-0940-451c-9206-c03efe4a65a5

https://github.com/iiicebearrr/spiders-for-all/assets/110714291/53079374-6c28-4b41-9b89-ed6ab5fb40a2

Features

• bilibli

  • 提供bvid下载视频
  • 提供bvid列表、文件批量下载视频
  • 提供SESS_DATA下载高清视频
  • 内置爬虫一键下载
    • 【综合热门】栏目视频爬取、下载
    • 【每周必看】栏目视频爬取、下载
    • 【入站必刷】栏目视频爬取、下载
    • 【排行榜】各分栏目视频爬取、下载
    • 爬取数据可视化
    • 爬取某作者的所有视频

• 小红书(Coming soon)

• GUI(Coming soon)

目录

• Features
• 目录
• 安装
• 使用方法(bilibili)
  • 命令行
    • 列出内置的爬虫
    • 运行一个爬虫
    • 分析爬取的数据
    • 通过bvid下载视频
    • 多线程下载视频
    • 指定SESS_DATA下载高清视频
    • 爬取某作者的主页视频
    • 查看帮助
  • 代码
    • 运行爬虫
    • 分析爬取的数据
    • 通过bvid下载视频
• 内置爬虫

安装

pip install spiders-for-all # python 版本 >= 3.10

使用方法(bilibili)

命令行

列出内置的爬虫

python -m spiders_for_all list-spiders

运行一个爬虫

通过爬虫名称运行:

python -m spiders_for_all run-spider -n precious

或通过别名:

python -m spiders_for_all run-spider -n 入站必刷

分析爬取的数据

python -m spiders_for_all data-analysis -n precious

通过bvid下载视频

注意: 在下载视频前, 你需要确保你的主机上已安装了ffmpeg, 并确保可以直接命令行调用, 如果是使用docker方式启动, 则可以忽略这一步

python -m spiders_for_all download-video -b BV1hx411w7MG -s ./videos_dl

多线程下载视频

传入多个bvid:

python -m spiders_for_all download-videos -b "BVID1 BVID2" -s ./videos_dl

或传入一个包含bvid列表的文件, 回车换行:

bvid_list.txt:

BVID1
BVID2
...

python -m spiders_for_all download-videos -b bvid_list.txt -s ./videos_dl

指定SESS_DATA下载高清视频

如何获取SESS_DATA

• 网页登陆bilibili
• 按F12打开开发者工具
• 刷新页面
• 打开Network选项卡
• 选中任何一个包含Cookies的请求
• 复制Request Headers中的Cookie字段中的SESSDATA值

python -m spiders_for_all download-video -b BV1hx411w7MG -s ./videos_dl -d {SESS_DATA}

爬取某作者的主页视频

*注意:

• bilibili对主页数据爬取有风控策略, 一次不建议爬取太多视频, 会触发风控
• 实际测试大概在200-300条视频左右时就会触发风控, 因此如果超过这个数量, 建议按照以下步骤分两步爬取

1. 收集主页视频bvid信息

python -m spiders_for_all run-spider -n author -p mid {mid} -p total {total} -p sess_data {SESS_DATA} -p page_size {page_size} -p page_number {page_number}

参数说明(打勾的是必传参数):

• mid: 作者的mid
• total: 要爬取的数量, 会取min(作者主页视频总数, 传入的total), 建议一次<200, 不传会使用作者视频总数
• sess_data: 传入SESS_DATA可能一定程度上降低风控策略的触发, 但是不保证一定不会触发(待更有说服力的测试验证)
• page_number: 从第几页开始爬取, 默认为1, 分批次爬取时修改该参数
• page_size: 每页的爬取数量
• -s: 爬取bvid后直接下载, 数量多时不建议添加该参数, 会触发风控, 先收集完所有需要下载的bvid再按照第2步进行下载
• -d: 指定后从数据库查询当前爬虫存储的bvid下载视频, 不进行爬取操作

1. 下载视频(后续会优化这个步骤)

python -m spiders_for_all download-by-author -m {mid} -s {save_dir} -d {sess_data}

分批次爬取完整示例:

# 爬取主页视频bvid, 一次爬取30 * 7 = 210条
python -m spiders_for_all run-spider -n author -p mid 作者的mid -p total 210 -p page_size 30 -p page_number 1

python -m spiders_for_all run-spider -n author -p mid 作者的mid -p total 210 -p page_size 30 -p page_number 8

python -m spiders_for_all run-spider -n author -p mid 作者的mid -p total 210 -p page_size 30 -p page_number 16

...

# 爬取完bvid后再下载视频
python -m spiders_for_all download-by-author -m {mid} -s {save_dir} -d {sess_data}

查看帮助

python -m spiders_for_all --help

代码

运行爬虫

from spiders_for_all.bilibili.spiders import PreciousSpider

if __name__ == '__main__':
    spider = PreciousSpider()
    spider.run()

分析爬取的数据

from spiders_for_all.bilibili.analysis import Analysis
from spiders_for_all.bilibili import db

if __name__ == '__main__':
    analysis = Analysis(db.BilibiliPreciousVideos)
    analysis.show()

通过bvid下载视频

from spiders_for_all.bilibili.download import Downloader

if __name__ == '__main__':
    downloader = Downloader(
        bvid='BV1hx411w7MG',
        save_dir='./videos_dl',
        sess_data="YOUR_SESS_DATA_HERE"
    )
    with downloader:
        downloader.download()

内置爬虫

通过list-spiders列出内置的爬虫:

python -m spiders_for_all list-spiders

备注: 包含参数的爬虫:

• 每周必看(spiders_for_all.bilibili.spiders.WeeklySpider):

  • 不传参数的情况下默认爬取最新一期的视频
  • 通过-p week {week}指定爬取第几期的视频, 比如-p week 1表示爬取第一期的视频