基于Scrapy的B站爬虫

基于Scrapy的B站爬虫

最近又被叫去做爬虫了，不得不拾起两年前搞的东西。

说起来那时也是突发奇想，想到做一个B站的爬虫，然后用的都是最基本的Python的各种库。

不过确实，实现起来还是有点麻烦的，单纯一个下载，就有很多麻烦事。

这回要快速实现一个爬虫，于是想到基于现成的框架来开发。

Scrapy是以前就常听说的一个爬虫框架，另一个是PySpider。

不过以前都没有好好学过框架。

这回学习了一波，顺便撸出来一个小Demo。

这个Demo功能不多，只能爬取B站的视频列表，不过主要在于学习、记录、交流，不在于真的要爬B站。。

然后代码都在GitHub了：

https://github.com/wangzb96/Scrapy-Based-Crawler-for-Bilibili

---

爬虫的定义

爬虫的定义有以下两点：

• 自动爬取网络资源 （html、json、...）
• 模拟浏览器行为

第一点是常规的定义，第二点是进阶版的定义，因为如果爬虫要持久稳定地爬取数据，那么就要模拟真人使用浏览器的行为，模拟得越像越好，越不容易被封。

---

爬虫的流程

• 页面分析
  • 工具
    • 谷歌浏览器
    • 360极速浏览器
  • 问题
    • 哪些数据需要爬取？
    • 这些数据存放在什么文件上？
    • 这些文件的链接是什么？
    • 链接的生成规则是什么？
      • 存放在其他页面文件
      • 通过某种简单的规则生成 （如递增的数字）
• 获取链接
  • 通过解析网页文件得到链接
  • 通过模版生成不同的链接
• 下载资源
  • requests
  • asyncio
• 页面解析
  • json
  • bs4.BeautifulSoup
  • pyquery.PyQuery
  • re
• 数据存储
  • 文件
  • 数据库

---

Scrapy框架介绍

Scrapy是一个用于实现爬虫的Python框架，它将爬虫运行过程抽象成几个组件，如图：

其中主要包括：

• Engine （不需要用户实现）
  • 驱动组件运行
• Scheduler （不需要用户实现）
  • 接收请求
  • 调度请求
  • 返回请求
• Downloader （不需要用户实现）
  • 请求网络资源
  • 返回响应
• Spider （需要用户实现）
  • 返回初始请求
  • 页面解析
  • 返回Item对象
  • 返回新请求
• Item Pipeline （需要用户实现）
  • Item对象清洗
  • Item对象验证
  • Item对象保存
• Middleware （需要用户实现）
  • Downloader Middleware
  • Spider Middleware
  • 在组件运行的一些子过程中执行额外操作

当应用Scrapy实现爬虫时，由于Scrapy已经实现了Engine、Scheduler、Downloader等组件，所以用户无需实现这些组件，用户主要要实现Spider，以及按需实现Item Pipeline、Middleware，另外还需要实现Item类。

---

基于Scrapy的B站爬虫实现

以下介绍一个B站美食区视频列表爬虫实现的案例。

---

开始一个Scrapy项目

首先在命令行或终端中输入：

scrapy startproject scrapy_bilibili

Scrapy会在当前目录下生成如下的目录：

• scrapy_bilibili
  • scrapy_bilibili
    • spiders
      • __init__.py
    • __init__.py
    • items.py
    • pipelines.py
    • middlewares.py
    • settings.py
  • scrapy.cfg

其中斜体的是文件夹，我们把加粗的文件夹设置成项目的根目录。

---

B站美食区视频列表页面分析

B站美食区的链接地址是固定的：

https://www.bilibili.com/v/life/food/?#/all/default/0

进去后里面有个视频列表，我们使用360极速浏览器分析：

分析后，发现一个“newlist”链接：

https://api.bilibili.com/x/web-interface/newlist?rid=76&type=0&ps=100&pn=1

点开后，可以看到这个链接返回了一个json文件，里面记录了视频列表及其中每一个视频的信息，包括视频的标题、id、播放量等：

分析一下这个链接的参数，rid是美食区的id，type是按日期排序还是按热度排序，pn表示第几页，ps表示每页视频数量。

然后观察B站的视频页面：

发现视频页面的链接地址是由固定模版生成的：

https://www.bilibili.com/video/{bvid}

其中bvid是每个视频的id，可以通过“newlist”链接获得。

如果要爬取视频页面信息，那么应用以上方法分析一下就可以了。

---

B站视频列表Item类实现

Scrapy的Item类，在概念上相当于C/C++的结构体、Java的POJO。

这里简单起见，我们将视频列表json文件中每个元素感兴趣的信息均存放在一个Item对象中，代码如下：

点击查看详情

from scrapy import Item, Field

class BilibiliVideoListItem(Item):
    # 视频信息
    aid = Field()  # 视频ID
    bvid = Field()  # 视频ID

    tid = Field()  # 区
    pic = Field()  # 封面
    title = Field()  # 标题
    desc = Field()  # 简介
    duration = Field()  # 总时长，所有分P时长总和
    videos = Field()  # 分P数
    pubdate = Field()  # 发布时间

    view = Field()  # 播放数
    danmaku = Field()  # 弹幕数
    reply = Field()  # 评论数
    like = Field()  # 点赞数
    dislike = Field()  # 点踩数
    coin = Field()  # 投币数
    favorite = Field()  # 收藏数
    share = Field()  # 分享数

    cid = Field()  # 标签ID

    # UP主信息
    mid = Field()  # UP主ID

    name = Field()  # 昵称
    face = Field()  # 头像

---

B站Spider类实现

Spider类是实现爬虫的关键。

首先返回初始链接，这里我们直接返回“newlist”第一页的链接；

然后实现页面解析逻辑，由于返回的页面是json文件，我们直接将它转成Python对象，之后依次取出感兴趣的属性，最后封装成Item对象就可以了；

再之后要返回新的请求对象，这里直接返回下一页链接，并且判断是否已将所有视频都爬取了。

点击查看详情

from scrapy import Spider, Request
from scrapy_bilibili.items import BilibiliVideoListItem
from util import json2obj

class BilibiliSpider(Spider):
    # Spider名字
    name = 'BilibiliSpider'

    # 视频列表链接模版 （三个参数）
    url_fmt = r'https://api.bilibili.com/x/web-interface/newlist?' \
              r'rid={rid}&type=0&ps={ps}&pn={pn}'

    def __init__(self, *args, rid: int=None, ps: int=None, **kwargs):
        """初始化

            Args:
                rid: 区ID，默认76，表示美食区
                ps: 视频列表每页视频数量，默认100
        """

        super().__init__(*args, **kwargs)

        if rid is None: rid = 76
        if ps is None: ps = 100
        self.rid = rid
        self.ps = ps
        # 视频列表链接模版 （一个参数）
        self.url = self.url_fmt.format(rid=rid, ps=ps, pn='{}')
        # 初始链接
        self.start_urls = [self.url.format(1)]

    def parse(self, response):
        """页面解析"""

        url = response.url
        pn = int(url.rsplit('=', 1)[-1])  # 视频列表页码
        page = response.body.decode('UTF-8')  # 响应对象中的json文件
        obj = json2obj(page)  # 转成Python对象
        data = obj['data']
        count = data['page']['count']  # 该区当前视频总数
        archives = data['archives']
        for i in archives:
            aid = i['aid']
            bvid = i['bvid'].strip()

            tid = i['tid']
            pic = i['pic'].strip()
            title = i['title'].strip()
            desc = i['desc'].strip()
            duration = i['duration']
            videos = i['videos']
            pubdate = i['pubdate']

            stat = i['stat']
            view = stat['view']
            danmaku = stat['danmaku']
            reply = stat['reply']
            like = stat['like']
            dislike = stat['dislike']
            coin = stat['coin']
            favorite = stat['favorite']
            share = stat['share']

            cid = i['cid']

            owner = i['owner']
            mid = owner['mid']

            name = owner['name'].strip()
            face = owner['face'].strip()

            # 封装成Item对象
            item = BilibiliVideoListItem(
                aid=aid,
                bvid=bvid,

                tid=tid,
                pic=pic,
                title=title,
                desc=desc,
                duration=duration,
                videos=videos,
                pubdate=pubdate,

                view=view,
                danmaku=danmaku,
                reply=reply,
                like=like,
                dislike=dislike,
                coin=coin,
                favorite=favorite,
                share=share,

                cid=cid,

                mid=mid,

                name=name,
                face=face,
            )
            yield item

        if pn*self.ps<count:  # 如果当前爬取的视频数量少于视频总数
            url = self.url.format(pn+1)  # 下一页的页码
            req = Request(url, callback=self.parse)  # 下一页的请求对象
            yield req

其中用到的一个函数json2obj的实现如下：

点击查看详情

import json

def json2obj(s: str, enc: str=None):
    """json字符串 -> Python对象

    Args:
        s: 输入的json字符串
        enc: 字符串编码格式，默认UTF-8

    Returns:
        Python对象
    """

    if enc is None: enc = 'UTF-8'
    return json.loads(s, encoding=enc)

---

B站Pipeline类实现

接下来要将获取到的Item对象去重并存入数据库。

这里我们使用Redis（Windows系统下用Memurai代替）中的Set来实现去重功能，我们用Set存储视频的bvid，当一个新的Item对象传入进来，判断其bvid是否已在Set中，如果已在则丢弃，如果不在则更新Set，并将Item对象存入数据库。

数据库采用MongoDB，每次存数据需要传递一个字典或列表对象，所以我们将Item对象转换成字典对象，并存入数据库中。

点击查看详情

from database import MongoDataBase
from container import Redis

class BilibiliPipeline:
    def __init__(self):
        """初始化"""

        # 数据库对象
        self.dataBase = MongoDataBase()
        # 数据表对象，负责数据保存
        self.datas = self.dataBase.getDatas('bilibili', 'video_list')
        # 缓存对象
        self.redis = Redis(cp=True)
        # 集合对象，负责数据去重
        self.set = self.redis.getSet('bilibili_video_list')

    def process_item(self, item, spider):
        """处理Item对象

            对Item对象用Redis的Set进行去重，然后存入MongoDB。
        """

        bvid = item['bvid']  # 视频ID
        if bvid not in self.set:  # 如果视频ID不在集合中
            self.set.insert(bvid)  # 视频ID加入集合
            self.datas.insert(dict(item))  # Item对象转成字典存入数据库
        return item

其中，container的实现如下：

点击查看详情

from typing import Generator
import redis

class Container:
    def __len__(self) -> int:
        """返回容器中元素个数"""
        return self.size()
    def __contains__(self, *args, **kwargs) -> bool:
        """判断元素是否存在于容器中"""
        return self.has(*args, **kwargs)
    def __iter__(self) -> Generator:
        """迭代访问容器中的所有元素"""
        return self.iter()

    def size(self) -> int:
        """返回容器中元素个数"""
        pass
    def has(self, *args, **kwargs) -> bool:
        """判断元素是否存在于容器中"""
        pass
    def iter(self) -> Generator:
        """迭代访问容器中的所有元素"""
        pass

class Set(Container):
    def insert(self, *args, **kwargs):
        """插入一个元素"""
        pass
    def delete(self, *args, **kwargs):
        """删除一个元素"""
        pass

    def inserts(self, *args, **kwargs):
        """插入多个元素"""
        pass
    def deletes(self, *args, **kwargs):
        """删除多个元素"""
        pass

class Redis:
    def __init__(self, cp: bool=None, cs: int=None, *args, **kwargs):
        """初始化

            Args:
                cp: 是否使用连接池，默认否
                cs: 连接池的最大连接数，默认8
        """

        kwargs['decode_responses'] = True  # 使Redis默认返回字符串
        if cp:
            if cs is None: cs = 8
            cp = redis.ConnectionPool(max_connections=cs)
            kwargs['connection_pool'] = cp
        self.redis = redis.Redis(*args, **kwargs)

    def getSet(self, key: str):
        """返回集合容器

            Args:
                key: 集合的名字
        """

        return Redis.Set(self.redis, key)

    class Container:
        def __init__(self, redis, key: str):
            self.redis = redis
            self.key = key
            self.pipeline = None

        def getRedis(self):
            if self.pipeline: return self.pipeline
            return self.redis

        def getPipeline(self):
            if self.pipeline: return False
            self.pipeline = self.redis.pipeline()
            return True
        def execute(self):
            if self.pipeline:
                r = self.pipeline.execute()
                self.pipeline = None
                return r

    class Set(Container, Set):
        def __init__(self, redis, key: str):
            super().__init__(redis, key)

        def size(self):
            return self.getRedis().scard(self.key)
        def has(self, x):
            return self.getRedis().sismember(self.key, x)
        def iter(self):
            return self.getRedis().smembers(self.key)

        def insert(self, x):
            return self.inserts(x)
        def delete(self, x):
            return self.deletes(x)

        def inserts(self, x, *args):
            return self.getRedis().sadd(self.key, x, *args)
        def deletes(self, x, *args):
            return self.getRedis().srem(self.key, x, *args)

database的实现如下：

点击查看详情

import pymongo

class DataBase:
    def getDatas(self, *args, **kwargs):
        """返回数据表对象"""
        pass

    class Datas:
        def insert(self, *args, **kwargs):
            """插入一个数据"""
            pass
        def delete(self, *args, **kwargs):
            """删除一个数据"""
            pass
        def update(self, *args, **kwargs):
            """更新一个数据"""
            pass

        def inserts(self, *args, **kwargs):
            """插入多个数据"""
            pass
        def deletes(self, *args, **kwargs):
            """删除多个数据"""
            pass
        def updates(self, *args, **kwargs):
            """更新多个数据"""
            pass

        def find(self, *args, **kwargs):
            """查找数据"""
            pass

class MongoDataBase(DataBase):
    def __init__(self, *args, **kwargs):
        """初始化"""

        self.mongo = pymongo.MongoClient(*args, **kwargs)

    def getDatas(self, db_key: str, datas_key: str):
        """返回数据表对象

            Args:
                db_key: 数据库名字
                datas_key: 数据表名字
        """

        return MongoDataBase.MongoDatas(self.mongo[db_key][datas_key])

    class MongoDatas(DataBase.Datas):
        def __init__(self, datas):
            self.datas = datas

        def insert(self, d):
            return self.datas.insert_one(d)
        def delete(self, c):
            return self.datas.delete_one(c)
        def update(self, c, d):
            return self.datas.update_one(c, d)

        def inserts(self, d):
            return self.datas.insert_many(d)
        def deletes(self, c):
            return self.datas.delete_many(c)
        def updates(self, c, d):
            return self.datas.update_many(c, d)

        def find(self, *args, **kwargs):
            r = self.datas.find(*args, **kwargs)
            for i in r:
                del i['_id']  # 删除_id属性
                yield i

最后要在scrapy_bilibili/scrapy_bilibili/settings.py中设置一下Pipeline：

点击查看详情

ITEM_PIPELINES = {
   'scrapy_bilibili.pipelines.BilibiliPipeline': 100,
}

---

运行爬虫

好不容易实现了爬虫，接下来就来跑一跑吧。

命令行或终端输入：

scrapy crawl BilibiliSpider

如果要传入参数，则可以输入：

scrapy crawl BilibiliSpider -a rid=17

注意要切换到项目的根目录，并且保证Redis和MongoDB的服务都已经开启了。

控制台正在疯狂输出...

过了十分钟，我们来看看Redis和MongoDB的情况：

上面是Redis的情况，下了5万多条数据，然后下面是MongoDB的情况：

整体情况顺利。

---