使用python爬取B站千万级数据


Posted in Python onJune 08, 2018

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10万用户中共同的关注的哪些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

Python 相关文章推荐
使用PYTHON创建XML文档
Mar 01 Python
Python中tell()方法的使用详解
May 24 Python
python 3.3 下载固定链接文件并保存的方法
Dec 18 Python
python将字符串转换成json的方法小结
Jul 09 Python
pandas DataFrame 警告(SettingWithCopyWarning)的解决
Jul 23 Python
Django Rest framework认证组件详细用法
Jul 25 Python
Python绘制动态水球图过程详解
Jun 03 Python
浅谈python 调用open()打开文件时路径出错的原因
Jun 05 Python
在keras 中获取张量 tensor 的维度大小实例
Jun 10 Python
python实现简单遗传算法
Sep 18 Python
python爬虫 requests-html的使用
Nov 30 Python
拒绝盗图!教你怎么用python给图片加水印
Jun 04 Python
pandas表连接 索引上的合并方法
Jun 08 #Python
详谈Pandas中iloc和loc以及ix的区别
Jun 08 #Python
python实现人人自动回复、抢沙发功能
Jun 08 #Python
利用Python写一个爬妹子的爬虫
Jun 08 #Python
python os用法总结
Jun 08 #Python
Python DataFrame 设置输出不显示index(索引)值的方法
Jun 07 #Python
浅谈Pandas 排序之后索引的问题
Jun 07 #Python
You might like
table标签的结构与合并单元格的实现方法
2013/07/24 PHP
浅谈php和.net的区别
2014/09/28 PHP
yii2.0之GridView自定义按钮和链接用法
2014/12/15 PHP
非常经典的PHP文件上传类分享
2016/05/15 PHP
php利用header函数下载各种文件
2016/08/24 PHP
javascript JSON操作入门实例
2010/04/16 Javascript
JavaScript中__proto__与prototype的关系深入理解
2012/12/04 Javascript
利用jquery操作Radio方法小结
2014/10/20 Javascript
Web表单提交之disabled问题js解决方法
2015/01/13 Javascript
jQuery自定义动画函数实例详解(附demo源码)
2015/12/10 Javascript
jQuery 利用$.ajax 时获取原生XMLHttpRequest 对象的方法
2016/08/25 Javascript
Angularjs实现mvvm式的选项卡示例代码
2016/09/08 Javascript
JS 实现Base64编码与解码实例详解
2016/11/07 Javascript
详解使用nvm管理多版本node的方法
2017/08/30 Javascript
React-Native中禁用Navigator手势返回的示例代码
2017/09/09 Javascript
nodejs基于express实现文件上传的方法
2018/03/19 NodeJs
vue2.0 实现导航守卫(路由守卫)
2018/05/21 Javascript
基于AngularJs select绑定数字类型的问题
2018/10/08 Javascript
vue单文件组件lint error自动fix与styleLint报错自动fix详解
2019/01/08 Javascript
Vue通过for循环随机生成不同的颜色或随机数的实例
2019/11/09 Javascript
JavaScript实现原型封装轮播图
2020/12/27 Javascript
python使用Tkinter显示网络图片的方法
2015/04/24 Python
Python实现图像几何变换
2015/07/06 Python
Django与JS交互的示例代码
2017/08/23 Python
Python使用修饰器执行函数的参数检查功能示例
2017/09/26 Python
查找python项目依赖并生成requirements.txt的方法
2018/07/10 Python
使用pandas的box_plot去除异常值
2019/12/10 Python
Python hashlib模块实例使用详解
2019/12/24 Python
土木工程师岗位职责
2013/11/24 职场文书
机械制造专业个人的自我评价
2013/12/28 职场文书
铲车司机岗位职责
2014/03/15 职场文书
群众路线对照检查剖析材料
2014/10/09 职场文书
信访维稳工作汇报
2014/10/27 职场文书
iPhone13将有八大升级
2021/04/15 数码科技
浅谈CSS不规则边框的生成方案
2021/05/25 HTML / CSS
MySQL慢查询优化解决问题
2022/03/17 MySQL