- 代码、教程均为本人原创,且仅限于学习交流,请勿用于任何商业用途!
2020-1-20 更新:增加log模块,修复代码bug
我已经配置好项目在Repl.it
上,你可以直接点击Repl.it
的图标运行程序。
之前写了B站视频信息的爬虫,然后就想到了爬取B站的用户信息。
在2018年3月11号,B站的第3亿用户诞生了。
我使用的是Python3,数据库用的是Python自带的sqlite,使用requests库爬取。
安装需要的库
pip install requests
本来我的打算是通过post来获取用户信息的,但发现这样做很容易被封。
在考虑良久后,我觉得通过用户的手机端页面来获取用户信息,这样不容易被封。
比如在手机上访问https://m.bilibili.com/space/2
这个页面,可以获取用户名,性别,等级的信息。
然后再通过api接口来获取用户的关注和粉丝数,如https://api.bilibili.com/x/relation/stat?jsonp=jsonp&vmid=2
{
"code":0,
"data":{
"mid":0,
"following":116,
"whisper":0,
"black":0,
"follower":327153},
"message":"0",
"ttl":1}
使用requests库获取数据,可以使用多线程爬虫进行加速,多线程的代码我不放出来。
B站对爬虫采取的是一旦发现,就封ip一天到5天不等。
可以使用代理防封IP。
在累计爬到一亿多时,我发现ip被封的很频繁,于是就不再爬下去了,因为这3亿用户有太多的僵尸用户了。
比如:
从图上可以看出这一面的用户基本都是僵尸用户,除了少数几个有等级或者关注的。
应该是16年B站开放注册后僵尸用户一下子就多起来了。
我就不把自己爬到的全部数据放上来了,就前109万用户的数据放上来,在data.db里。
爬虫代码见 bilibili-user-information-spider.py
参考资料: bili-user