如何利用Python快速爬取B站全站视频信息

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

1. result = [] 
2. req = requests.get(url, headers=headers, timeout=6).json() 
3. time.sleep(0.6)     # 延迟，避免太快 ip 被封 
4. try: 
5.     data = req['data'] 
6.     video = Video( 
7.         data['aid'],        # 视频编号 
8.         data['view'],       # 播放量 
9.         data['danmaku'],    # 弹幕数 
10.         data['reply'],      # 评论数 
11.         data['favorite'],   # 收藏数 
12.         data['coin'],       # 硬币数 
13.         data['share']       # 分享数 
14.     ) 
15.     with lock: 
16.         result.append(video) 
17. except: 
18.     pass 

迭代爬取

1. urls = ["http://api.bilibili.com/archive_stat/stat?aid={}".format(i)  
2.     for i in range(10000)] 
3.  with futures.ThreadPoolExecutor(32) as executor:    # 多线程 
4.      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