欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

使用python爬取B站千万级数据

程序员文章站 2024-01-27 21:16:04
python(发音:英[?pa?θ?n],美[?pa?θɑ:n]),是一种面向对象、直译式电脑编程语言,也是一种功能强大的通用型语言...

python(发音:英[?pa?θ?n],美[?pa?θɑ:n]),是一种面向对象、直译式电脑编程语言,也是一种功能强大的通用型语言,已经具有近二十年的发展历史,成熟且稳定。它包含了一组完善而且容易理解的标准库,能够轻松完成很多常见的任务。它的语法非常简捷和清晰,与其它大多数程序设计语言不一样,它使用缩进来定义语句。

python支持命令式程序设计、面向对象程序设计、函数式编程、面向切面编程、泛型编程多种编程范式。与scheme、ruby、perl、tcl等动态语言一样,python具备垃圾回收功能,能够自动管理存储器使用。它经常被当作脚本语言用于处理系统管理任务和网络程序编写,然而它也非常适合完成各种高级任务。python虚拟机本身几乎可以在所有的作业系统中运行。使用一些诸如py2exe、pypy、pyinstaller之类的工具可以将python源代码转换成可以脱离python解释器运行的程序。

使用python爬取B站千万级数据

粉丝独白

说起热门的b站相信很多喜欢玩动漫的,看最有创意的up主的同学一定非常熟悉。我突发奇想学python这么久了,为啥不用python爬取b站中我关注的人,已经关注的人他们关注的人,看看全站里面热门的up主都是是哪些。

要点:

- 爬取10万用户数据

- 数据存储

- 数据词云分析

1.准备阶段

写代码前先构思思路:既然我要爬取用户关注的用户,那我需要存储用户之间的关系,确定谁是主用户,谁是follower。

存储关系使用数据库最方便,也有利于后期的数据分析,我选择sqlite数据库,因为python自带sqlite,sqlite在python中使用起来也非常方便。

数据库中需要2个表,一个表存储用户的相互关注信息,另一个表存储用户的基本信息,在b站的用户体系中,一个用户的mid号是唯一的。

然后我还需要一个列表来存储所以已经爬取的用户,防止重复爬取,毕竟用户之间相互关注的现象也是存在的,列表中存用户的mid号就可以了。

2.新建数据库

先写建数据库的代码,数据库中放一个用户表,一个关系表:

使用python爬取B站千万级数据

3.爬取前5页的用户数据

我需要找到b站用户的关注列表的json接口,很快就找到了,地址是:

https://api.bilibili.com/x/relation/followings?vmid=2&pn=1&ps=20&order=desc&jsonp=jsonp&callback=__jp7

其中vimd=后的参数就是用户的mid号

pn=1指用户的关注的第一面用户,一面显示20个用户

因为b站的隐私设置,一个人只能爬取其他人的前5页关注,共100人。

使用python爬取B站千万级数据

整个爬取页面的思路比较简单,首先设置header,用requests库进行api请求,获得关注的用户数据列表。

我们爬取前5页,每一页的数据进行简单的处理,然后转为字典数据进行获取mid,uname,sign3个维度的数据,最后save()函数存入db.

使用python爬取B站千万级数据

4.存入数据库

我们数据集里面一共有2个表,一个用户列表,用来存储所以的用户信息,一个是用户之间的关注信息。

使用python爬取B站千万级数据

5.探秘是热门up主

打算利用已经爬取到本地的数据进行词云的生成,来看一下这10万用户*同的关注的哪些up主出现的次数最多。

代码的思路主要是从数据库中获取用户的名字,重复的次数越多说明越多的用户关注,然后我使用fate的一张图片作为词云的mask图片,最后生成词云图片。

使用python爬取B站千万级数据

最后一起来看一下词云图

使用python爬取B站千万级数据

可以看出蕾丝,暴走漫画,木鱼水心,参透之c君,papi酱等b站大up主都是热门关注。

使用python爬取B站千万级数据

python可以做什么?

web开发和 爬虫是比较适合 零基础的

自动化运维 运维开发 和 自动化测试 是适合 已经在做运维和测试的人员

大数据 数据分析 这方面 是很需要专业的 专业性相对而言比较强

科学计算 一般都是科研人员 在用

机器学习 和 人工智能 首先 学历 要求高 其次 高数要求高 难度很大