Golang 爬虫快速入门 | 获取B站全站的视频数据

原文首发并持续更新于 https://imagician.net/archives/92/,欲了解更多信息可以前往我的博客https://imagician.net/

提到爬虫,总会联想到Python。似乎Python是爬虫的唯一选择。爬虫只是完成一个访问页面然后收集数据的任务,用任何语言来写都能实现。相比较Python快速实现但是庞大的体型,Golang来写爬虫似乎是更好的又一选择。

HTTP请求

Golang语言的HTTP请求库不需要使用第三方的库,标准库就内置了足够好的支持:

package main
import (
 "fmt"
 "net/http"
 "io/ioutil"
)
func fetch (url string) string {
 fmt.Println("Fetch Url", url)
 
 // 创建请求
 req, _ := http.NewRequest("GET", url, nil)
 // 创建HTTP客户端
 client := &http.Client{}
 // 发出请求
 resp, err := client.Do(req)
 if err != nil {
 fmt.Println("Http get err:", err)
 return ""
 }
 if resp.StatusCode != 200 {
 fmt.Println("Http status code:", resp.StatusCode)
 return ""
 }
 // 读取HTTP响应正文
 defer resp.Body.Close()
 body, err := ioutil.ReadAll(resp.Body)
 if err != nil {
 fmt.Println("Read error", err)
 return ""
 }
 return string(body)
}
func main(){
 fmt.Println(fetch("https://github.com"))
}

使用官方的HTTP包可以快速的请求页面并得到返回数据。

就像Python有Scrapy库,爬虫框架可以很大程度上简化HTTP请求、数据抽取、收集的流程,同时还能提供更多的工具来帮助我们实现更复杂的功能。

Golang爬虫框架——Goribot

https://github.com/zhshch2002/goribot是一个用Golang写成的爬虫轻量框架,有不错的扩展性和分布式支持能力,文档在https://imagician.net/goribot/。

获取Goribot:

go get -u github.com/zhshch2002/goribot

使用Goribot实现上文的代码的功能要看起来简洁不少。

package main
import (
 "fmt"
 "github.com/zhshch2002/goribot"
)
func main() {
 s := goribot.NewSpider()
 s.AddTask(
 goribot.GetReq("https://github.com"),
 func(ctx *goribot.Context) {
 fmt.Println(ctx.Resp.Text)
 },
 )
 s.Run()
}

如此之实现了一个单一的功能,即访问"https://github.com"并打印出结果。如此的应用还不足以使用框架。那我们来入手一个更复杂点的爬虫应用。

用Goribot爬取B站信息

我们来建立一个复杂点的爬虫应用,预期实现两个功能:

1. 沿着链接自动发现新的视频链接
2. 提取标题、封面图、作者和视频数据(播放量、投币、收藏等)

研究B站页面

首先我们来研究一下B站的视频页面,以https://www.bilibili.com/video/BV1JE411P7hK?spm_id_from=333.851.b_62696c695f7265706f72745f6469676974616c.21为例,按F12打开调试界面,切换到Network(网络)选项卡。

image

我们能看到这一页面所涉及的所有请求、资源。在调试界面里选在XHR选项,来查看Ajax请求。

你可以通过点选不同的请求,在右侧弹出的面板里查看具体内容。在新面板里点击Preview(预览)可以查看服务器响应的内容。

那么,交给你一个任务,依次查看XHR下的所有请求,找到最像是服务器返回的点赞、收藏、播放量数据的哪一个。

很好,那来看看你找到是这个吗?

image

你已经成功达成了一个爬虫工程师的成就——从Ajax请求里寻找目标数据。

那我们切换到Header(标头)选项,来看看这个请求对应的参数,最好能找到这个响应和视频Id的关系。

image

发现了视频Id——BV号。

我们以及解决了核心问题,获取B站的视频数据,对于自动搜寻视频,我们可以设定一个起始链接,然后搜寻<a>标签来延伸爬取。

搭建爬虫

完整代码在后文。

创建爬虫

s := goribot.NewSpider( // 创建一个爬虫并注册扩展
 goribot.Limiter(true, &goribot.LimitRule{ // 添加一个限制器,限制白名单域名和请求速录限制
 Glob: "*.bilibili.com", // 以防对服务器造成过大压力以及被B站服务器封禁
 Rate: 2,
 }),
 goribot.RefererFiller(), // 自动填写Referer,参见Goribot(https://imagician.net/goribot/)关于扩展的部分
 goribot.RandomUserAgent(), // 随机UA
 goribot.SetDepthFirst(true), // 使用深度优先策略,就是沿着一个页面,然后去子页面而非同级页面
)

获取视频数据

var getVideoInfo = func(ctx *goribot.Context) {
 res := map[string]interface{}{
 "bvid": ctx.Resp.Json("data.bvid").String(),
 "title": ctx.Resp.Json("data.title").String(),
 "des": ctx.Resp.Json("data.des").String(),
 "pic": ctx.Resp.Json("data.pic").String(), // 封面图
 "tname": ctx.Resp.Json("data.tname").String(), // 分类名
 "owner": map[string]interface{}{ //视频作者
 "name": ctx.Resp.Json("data.owner.name").String(),
 "mid": ctx.Resp.Json("data.owner.mid").String(),
 "face": ctx.Resp.Json("data.owner.face").String(), // 头像
 },
 "ctime": ctx.Resp.Json("data.ctime").String(), // 创建时间
 "pubdate": ctx.Resp.Json("data.pubdate").String(), // 发布时间
 "stat": map[string]interface{}{ // 视频数据
 "view": ctx.Resp.Json("data.stat.view").Int(),
 "danmaku": ctx.Resp.Json("data.stat.danmaku").Int(),
 "reply": ctx.Resp.Json("data.stat.reply").Int(),
 "favorite": ctx.Resp.Json("data.stat.favorite").Int(),
 "coin": ctx.Resp.Json("data.stat.coin").Int(),
 "share": ctx.Resp.Json("data.stat.share").Int(),
 "like": ctx.Resp.Json("data.stat.like").Int(),
 "dislike": ctx.Resp.Json("data.stat.dislike").Int(),
 },
 }
 ctx.AddItem(res) // 保存到蜘蛛的Item处理队列
}

这是一个函数,自动解析响应里的Json数据,也就是刚才看的Ajax结果。解析完数据后保存到蜘蛛的Item处理队列。

发现新视频

var findVideo goribot.CtxHandlerFun
findVideo = func(ctx *goribot.Context) {
 u := ctx.Req.URL.String()
 fmt.Println(u)
 if strings.HasPrefix(u, "https://www.bilibili.com/video/") { // 判断是否为视频页面
 if strings.Contains(u, "?") {
 u = u[:strings.Index(u, "?")]
 }
 u = u[31:] // 截取视频中的BV号
 fmt.Println(u)
 
 // 创建一个从BV号获取具体数据的任务,使用上一个策略
 ctx.AddTask(goribot.GetReq("https://api.bilibili.com/x/web-interface/view?bvid="+u), getVideoInfo)
 }
 ctx.Resp.Dom.Find("a[href]").Each(func(i int, sel *goquery.Selection) {
 if h, ok := sel.Attr("href"); ok {
 ctx.AddTask(goribot.GetReq(h), findVideo) // 用同样的策略处理子页面
 }
 })
}

收集Item

我们在获取视频数据里获取了Ajax数据,并保存到Item队列。我们在这里处理这些Item以避免读写文件和数据库对爬取主线程的阻塞。

s.OnItem(func(i interface{}) interface{} {
 fmt.Println(i) // 我们暂时不做处理,就先打印出来
 return i
})

OnItem的具体使用要参考Goribot文档的相关内容。

最后 Run 吧

// 种子任务
s.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1at411a7RS"), findVideo)
s.Run()

完整代码如下

package main
import (
 "fmt"
 "github.com/PuerkitoBio/goquery"
 "github.com/zhshch2002/goribot"
 "strings"
)
func main() {
 s := goribot.NewSpider(
 goribot.Limiter(true, &goribot.LimitRule{
 Glob: "*.bilibili.com",
 Rate: 2,
 }),
 goribot.RefererFiller(),
 goribot.RandomUserAgent(),
 goribot.SetDepthFirst(true),
 )
 var getVideoInfo = func(ctx *goribot.Context) {
 res := map[string]interface{}{
 "bvid": ctx.Resp.Json("data.bvid").String(),
 "title": ctx.Resp.Json("data.title").String(),
 "des": ctx.Resp.Json("data.des").String(),
 "pic": ctx.Resp.Json("data.pic").String(), // 封面图
 "tname": ctx.Resp.Json("data.tname").String(), // 分类名
 "owner": map[string]interface{}{ //视频作者
 "name": ctx.Resp.Json("data.owner.name").String(),
 "mid": ctx.Resp.Json("data.owner.mid").String(),
 "face": ctx.Resp.Json("data.owner.face").String(), // 头像
 },
 "ctime": ctx.Resp.Json("data.ctime").String(), // 创建时间
 "pubdate": ctx.Resp.Json("data.pubdate").String(), // 发布时间
 "stat": map[string]interface{}{ // 视频数据
 "view": ctx.Resp.Json("data.stat.view").Int(),
 "danmaku": ctx.Resp.Json("data.stat.danmaku").Int(),
 "reply": ctx.Resp.Json("data.stat.reply").Int(),
 "favorite": ctx.Resp.Json("data.stat.favorite").Int(),
 "coin": ctx.Resp.Json("data.stat.coin").Int(),
 "share": ctx.Resp.Json("data.stat.share").Int(),
 "like": ctx.Resp.Json("data.stat.like").Int(),
 "dislike": ctx.Resp.Json("data.stat.dislike").Int(),
 },
 }
 ctx.AddItem(res)
 }
 var findVideo goribot.CtxHandlerFun
 findVideo = func(ctx *goribot.Context) {
 u := ctx.Req.URL.String()
 fmt.Println(u)
 if strings.HasPrefix(u, "https://www.bilibili.com/video/") {
 if strings.Contains(u, "?") {
 u = u[:strings.Index(u, "?")]
 }
 u = u[31:]
 fmt.Println(u)
 ctx.AddTask(goribot.GetReq("https://api.bilibili.com/x/web-interface/view?bvid="+u), getVideoInfo)
 }
 ctx.Resp.Dom.Find("a[href]").Each(func(i int, sel *goquery.Selection) {
 if h, ok := sel.Attr("href"); ok {
 ctx.AddTask(goribot.GetReq(h), findVideo)
 }
 })
 }
 s.OnItem(func(i interface{}) interface{} {
 fmt.Println(i)
 return i
 })
 s.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1at411a7RS").SetHeader("cookie", "_uuid=1B9F036F-8652-DCDD-D67E-54603D58A9B904750infoc; buvid3=5D62519D-8AB5-449B-A4CF-72D17C3DFB87155806infoc; sid=9h5nzg2a; LIVE_BUVID=AUTO7815811574205505; CURRENT_FNVAL=16; im_notify_type_403928979=0; rpdid=|(k|~uu|lu||0J'ul)ukk)~kY; _ga=GA1.2.533428114.1584175871; PVID=1; DedeUserID=403928979; DedeUserID__ckMd5=08363945687b3545; SESSDATA=b4f022fe%2C1601298276%2C1cf0c*41; bili_jct=2f00b7d205a97aa2ec1475f93bfcb1a3; bp_t_offset_403928979=わ375484225910036050"), findVideo)
 s.Run()
}

最后

爬虫框架只是工具,重要的是人怎么使用它。了解工具可以看项目_examples和文档。

本文来自:Segmentfault

感谢作者:zhshch

查看原文:Golang 爬虫快速入门 | 获取B站全站的视频数据

• 编辑
• 预览