python3网络爬虫--爬取b站用户投稿视频信息（附源码）

上次写了篇 python3网络爬虫–爬取b站视频评论用户信息（附源码） 效果良好，因此再写一篇爬取用户投稿视频的爬虫，思路简单一些。不过本次将数据存储到了MySQL数据库。
本次实现：手动输入用户id，程序根据id爬取此用户的所有投稿视频信息，最终将数据存储到MySQL数据库中，并且数据存储到以用户名为数据表名的数据表中。

一．准备工作

1．工具

（1）chrome浏览器 下载地址：https://www.google.cn/chrome/，用于分析网结构。
jsonhandle 用于分析json格式化数据，下载地址：http://jsonhandle.sinaapp.com/
我用的版本是这个。
（2）python3.7 下载地址：https://www.python.org/，用于编写爬虫代码。
（3）mysql-8.0.22 下载与安装详见：

https://www.cnblogs.com/winton-nfs/p/11524007.html

用于存储数据，Navicat 15 for MySQL 下载地址：https://wws.lanzous.com/iUOl7ipybib
，数据库可视化工具，用于查看，管理mysql数据库。

二．思路

1．整体思路

2．爬虫思路

三．分析网页

从第三部分开始，就是我的主要思路了

1.分析数据加载方式

首先打开一个用户的主页（我这次要爬取回形针的视频信息/doge），切换到 投稿视频 分栏
发现一共有168个视频，满满的干货有木有。此时，鼠标右击/ctrl+u查看网页源代码。
发现并没有我们需要的视频相关数据，初步断定，视频数据的加载方式为ajax异步加载，此时回到视频页，点击下一页，发现url在变化，但是源代码依然没有视频数据，右击点检查/F12 打开开发者工具，切换到network选项卡，刷新网页。
发现就在刷新这片刻，发起了91个请求，其中左侧为请求的网址，这么多数据，哪一个才是我们需要的呢？不慌，直接ctrl+f搜索即可。

搜索到了一个结果，右侧查看到response为json格式，查看请求头。请求地址为：

https://api.bilibili.com/x/space/arc/search?mid=258150656&ps=30&tid=0&pn=1&keyword=&order=pubdate&jsonp=jsonp

目测此链接为一个搜索接口，使用Josnhandle打开它发现存在我们需要的数据！
由此，可判断网页数据为ajax异步加载之后渲染出来的，那我们怎么构造这个网址呢？

2．分词接口url

在之前，我们分析了网页加载方式为异步加载，得到了接口地址，发现此接口需要以下参数：
ps:这里说一下我是怎么判断参数是否需要传递，我们拿到接口url时，以“？”分割此url，？前面的协议，路径是一定有的，？后面的部分为参数部分，他们的结构为key=value，参数和参数之间以&符号相连，而这些参数中，有的是可有可无的，所以我们可以通过适当删减url参数部分，精简url地址，详解参考

详解URL的组成

3.分析用户名（mid）

设想一下我们将数据入库时，需要选择数据表，可以简单定义为一些变量，但是为了便于区分，选择以用户名为数据表名来区分数据存储。

由于在刚才的视频接口地址不能直接拿到用户名，就退回来到用户主页，这是我们想到了网页源代码中存在用户名，那就简单了，直接请求用户主页，再提取他的名字即可。

但是，我选择了另外一种方法，就是查找用户名所在的接口，ctrl+f搜索一下

搜索到了三个结果，经过分析发现第一个为我们所需要的，地址为：

https://api.bilibili.com/x/space/acc/info?mid=258150656&jsonp=jsonp

仅需传输一个mid（用户id）即可，而mid在主页就能拿到。既然拿到了所有参数就可以开始撰写爬虫了。

四．撰写爬虫

import requests
import json
import pymysql
import time
import re

class Bilibili_User_Videos(object):

    #初始化，要先创建一个数据库，之后的操作都在这个数据库中进行
    def __init__(self):
        user='root'
        password='root'
        self.conn=pymysql.connect('localhost',user=user,password=password,port=3306,database='BiliBili',charset="utf8")
        self.cursor=self.conn.cursor()
        self.headers={
     'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'}

    #获取用户名，以这个用户名作为数据表名
    def get_tablename(self):
        base_url = f'https://api.bilibili.com/x/space/acc/info?mid={key}&jsonp=jsonp'
        r = requests.get(base_url)
        _json_data = json.loads(r.text)
        table_name = _json_data.get('data').get('name')
        return table_name

    #程序解析主程序
    def parse(self,tablename):
        sql2 = f"""CREATE TABLE IF NOT EXISTS {tablename} (
               id int(5) PRIMARY KEY ,video_title VARCHAR(100),video_avid VARCHAR(20),video_bvid VARCHAR(20),video_play_num INT(10),video_comment_num VARCHAR(10),video_danmu_num VARCHAR(10),video_created DATE,video_length VARCHAR (10),video_description VARCHAR(1000),video_link VARCHAR (50)
                ) DEFAULT CHARSET utf8 COLLATE utf8_general_ci;"""
        self.cursor.execute(sql2)
        n=1
        id_num=1
        while True:
            url = f'https://api.bilibili.com/x/space/arc/search?mid={key}&ps=30&tid=0&pn={n}&keyword=&order=pubdate&jsonp=jsonp'
            r=requests.get(url,headers=self.headers)
            _json=json.loads(r.text)
            v_list=_json.get('data').get('list').get('vlist')
            # if n==1:#在数据抽取第一次将视频数量保存下来
            #     v_count = jsonpath.jsonpath(_json, '$.data.list..count')#因为分类数量不定，所以使用jsonpath去模糊匹配
            n+=1
            if len(v_list)!=0:#程序终止标志
                for video in v_list:
                    video_title=video.get('title')#标题
                    video_aid=video.get('aid')#av号
                    video_bvid=video.get('bvid')#BV号
                    video_play_num=video.get('play')#播放数量
                    video_comment_num=video.get('comment')#当前评论数量
                    video_danmu_num=video.get('video_review')#弹幕数量
                    video_created_=video.get('created')#
                    timeArray = time.localtime(video_created_)
                    video_created = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)#时间字符串格式化
                    video_length=video.get('length')#视频长度
                    video_description=video.get('description')#视频描述
                    video_link='https://www.bilibili.com/video/'+video_bvid#链接地址：固定开头+BV号
                    sql=f'insert into {tablename} values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
                    self.cursor.execute(sql,(id_num,video_title,video_aid,video_bvid,video_play_num,video_comment_num,video_danmu_num,video_created,video_length,video_description,video_link))
                    self.conn.commit()
                    id_num+=1
                    print(video_title,video_aid,video_created,video_length,video_link)
            else:
                print(f'\033[35;46m----------------------------爬取了{id_num-1}个视频----------------------------\033[0m')
                self.cursor.close()
                self.conn.close()
                break


def main():
    bilibili_user_video_parse=Bilibili_User_Videos()
    table_name=bilibili_user_video_parse.get_tablename()
    bilibili_user_video_parse.parse(table_name)



if __name__ == '__main__':
    while True:
        key=input('请输入用户id：')
        #做一个简单的判断
        judge=re.match('\d+',key)
        if judge:
            main()
            break
        else:
            print('id输入有误！')

程序正常执行，直到结束。

五．得到数据

使用navicate for MySQL 数据库可视化工具查看我们得到的数据。
可以看到，一共168条数据，全部保存到了MySQL中，并且数据表名为用户名。

六．总结

• 本次爬取了b站视频主页视频信息，使用MySQL作为数据存储数据库，在代码编写过程中，能明显发现存储到Mongodb比存储到MySQL中要编写的代码多，而且在程序执行中，后者执行效率明显慢于前者，为此我还去查找了资料，希望此篇博文能对您有帮助，思路、代码方面有什么不足欢迎各位大佬指正、批评！