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+
