mirror of
https://github.com/NanmiCoder/MediaCrawler.git
synced 2025-11-25 03:15:17 +08:00
d0d7293926
Refactors the Bilibili keyword search functionality to provide more flexible crawling strategies and corrects a flaw in how crawl limits were applied. Previously, the `ALL_DAY` boolean flag offered a rigid choice for time-based searching and contained a logical issue where `CRAWLER_MAX_NOTES_COUNT` was incorrectly applied on a per-day basis instead of as an overall total. This commit introduces the `BILI_SEARCH_MODE` configuration option with three distinct modes: - `normal`: The default search behavior without time constraints. - `all_in_time_range`: Maximizes data collection within a specified date range, replicating the original intent of `ALL_DAY=True`. - `daily_limit_in_time_range`: A new mode that strictly enforces both the daily `MAX_NOTES_PER_DAY` and the total `CRAWLER_MAX_NOTES_COUNT` limits across the entire date range. This change resolves the limit logic bug and gives users more precise control over the crawling process. Changes include: - Modified `config/base_config.py` to replace `ALL_DAY` with `BILI_SEARCH_MODE`. - Refactored `media_platform/bilibili/core.py` to implement the new search mode logic.
243 lines
8.3 KiB
Python
243 lines
8.3 KiB
Python
# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：
|
||
# 1. 不得用于任何商业用途。
|
||
# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。
|
||
# 3. 不得进行大规模爬取或对平台造成运营干扰。
|
||
# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。
|
||
# 5. 不得用于任何非法或不当的用途。
|
||
#
|
||
# 详细许可条款请参阅项目根目录下的LICENSE文件。
|
||
# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。
|
||
|
||
|
||
# 基础配置
|
||
PLATFORM = "xhs"
|
||
KEYWORDS = "编程副业,编程兼职" # 关键词搜索配置，以英文逗号分隔
|
||
LOGIN_TYPE = "qrcode" # qrcode or phone or cookie
|
||
COOKIES = ""
|
||
# 具体值参见media_platform.xxx.field下的枚举值，暂时只支持小红书
|
||
SORT_TYPE = "popularity_descending"
|
||
# 具体值参见media_platform.xxx.field下的枚举值，暂时只支持抖音
|
||
PUBLISH_TIME_TYPE = 0
|
||
CRAWLER_TYPE = (
|
||
"search" # 爬取类型，search(关键词搜索) | detail(帖子详情)| creator(创作者主页数据)
|
||
)
|
||
# 微博搜索类型 default (综合) | real_time (实时) | popular (热门) | video (视频)
|
||
WEIBO_SEARCH_TYPE = "popular"
|
||
# 自定义User Agent（暂时仅对XHS有效）
|
||
UA = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36 Edg/131.0.0.0"
|
||
|
||
# 是否开启 IP 代理
|
||
ENABLE_IP_PROXY = False
|
||
|
||
# 未启用代理时的最大爬取间隔，单位秒（暂时仅对XHS有效）
|
||
CRAWLER_MAX_SLEEP_SEC = 2
|
||
|
||
# 代理IP池数量
|
||
IP_PROXY_POOL_COUNT = 2
|
||
|
||
# 代理IP提供商名称
|
||
IP_PROXY_PROVIDER_NAME = "kuaidaili"
|
||
|
||
# 设置为True不会打开浏览器（无头浏览器）
|
||
# 设置False会打开一个浏览器
|
||
# 小红书如果一直扫码登录不通过，打开浏览器手动过一下滑动验证码
|
||
# 抖音如果一直提示失败，打开浏览器看下是否扫码登录之后出现了手机号验证，如果出现了手动过一下再试。
|
||
HEADLESS = False
|
||
|
||
# 是否保存登录状态
|
||
SAVE_LOGIN_STATE = True
|
||
|
||
# ==================== CDP (Chrome DevTools Protocol) 配置 ====================
|
||
# 是否启用CDP模式 - 使用用户现有的Chrome/Edge浏览器进行爬取，提供更好的反检测能力
|
||
# 启用后将自动检测并启动用户的Chrome/Edge浏览器，通过CDP协议进行控制
|
||
# 这种方式使用真实的浏览器环境，包括用户的扩展、Cookie和设置，大大降低被检测的风险
|
||
ENABLE_CDP_MODE = False
|
||
|
||
# CDP调试端口，用于与浏览器通信
|
||
# 如果端口被占用，系统会自动尝试下一个可用端口
|
||
CDP_DEBUG_PORT = 9222
|
||
|
||
# 自定义浏览器路径（可选）
|
||
# 如果为空，系统会自动检测Chrome/Edge的安装路径
|
||
# Windows示例: "C:\\Program Files\\Google\\Chrome\\Application\\chrome.exe"
|
||
# macOS示例: "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome"
|
||
CUSTOM_BROWSER_PATH = ""
|
||
|
||
# CDP模式下是否启用无头模式
|
||
# 注意：即使设置为True，某些反检测功能在无头模式下可能效果不佳
|
||
CDP_HEADLESS = False
|
||
|
||
# 浏览器启动超时时间（秒）
|
||
BROWSER_LAUNCH_TIMEOUT = 30
|
||
|
||
# 是否在程序结束时自动关闭浏览器
|
||
# 设置为False可以保持浏览器运行，便于调试
|
||
AUTO_CLOSE_BROWSER = True
|
||
|
||
# 数据保存类型选项配置,支持三种类型：csv、db、json, 最好保存到DB，有排重的功能。
|
||
SAVE_DATA_OPTION = "json" # csv or db or json
|
||
|
||
# 用户浏览器缓存的浏览器文件配置
|
||
USER_DATA_DIR = "%s_user_data_dir" # %s will be replaced by platform name
|
||
|
||
# 爬取开始页数 默认从第一页开始
|
||
START_PAGE = 1
|
||
|
||
# 爬取视频/帖子的数量控制
|
||
CRAWLER_MAX_NOTES_COUNT = 200
|
||
|
||
# 每天爬取视频/帖子的数量控制
|
||
MAX_NOTES_PER_DAY = 1
|
||
|
||
# 并发爬虫数量控制
|
||
MAX_CONCURRENCY_NUM = 1
|
||
|
||
# 是否开启爬图片模式, 默认不开启爬图片
|
||
ENABLE_GET_IMAGES = False
|
||
|
||
# 是否开启爬评论模式, 默认开启爬评论
|
||
ENABLE_GET_COMMENTS = True
|
||
|
||
# 爬取一级评论的数量控制(单视频/帖子)
|
||
CRAWLER_MAX_COMMENTS_COUNT_SINGLENOTES = 1
|
||
|
||
# 是否开启爬二级评论模式, 默认不开启爬二级评论
|
||
# 老版本项目使用了 db, 则需参考 schema/tables.sql line 287 增加表字段
|
||
ENABLE_GET_SUB_COMMENTS = False
|
||
|
||
# 已废弃⚠️⚠️⚠️指定小红书需要爬虫的笔记ID列表
|
||
# 已废弃⚠️⚠️⚠️ 指定笔记ID笔记列表会因为缺少xsec_token和xsec_source参数导致爬取失败
|
||
# XHS_SPECIFIED_ID_LIST = [
|
||
# "66fad51c000000001b0224b8",
|
||
# # ........................
|
||
# ]
|
||
|
||
# 指定小红书需要爬虫的笔记URL列表, 目前要携带xsec_token和xsec_source参数
|
||
XHS_SPECIFIED_NOTE_URL_LIST = [
|
||
"https://www.xiaohongshu.com/explore/66fad51c000000001b0224b8?xsec_token=AB3rO-QopW5sgrJ41GwN01WCXh6yWPxjSoFI9D5JIMgKw=&xsec_source=pc_search"
|
||
# ........................
|
||
]
|
||
|
||
# 指定抖音需要爬取的ID列表
|
||
DY_SPECIFIED_ID_LIST = [
|
||
"7280854932641664319",
|
||
"7202432992642387233",
|
||
# ........................
|
||
]
|
||
|
||
# 指定快手平台需要爬取的ID列表
|
||
KS_SPECIFIED_ID_LIST = ["3xf8enb8dbj6uig", "3x6zz972bchmvqe"]
|
||
|
||
# 指定B站平台需要爬取的视频bvid列表
|
||
BILI_SPECIFIED_ID_LIST = [
|
||
"BV1d54y1g7db",
|
||
"BV1Sz4y1U77N",
|
||
"BV14Q4y1n7jz",
|
||
# ........................
|
||
]
|
||
|
||
# 指定微博平台需要爬取的帖子列表
|
||
WEIBO_SPECIFIED_ID_LIST = [
|
||
"4982041758140155",
|
||
# ........................
|
||
]
|
||
|
||
# 指定weibo创作者ID列表
|
||
WEIBO_CREATOR_ID_LIST = [
|
||
"5533390220",
|
||
# ........................
|
||
]
|
||
|
||
# 指定贴吧需要爬取的帖子列表
|
||
TIEBA_SPECIFIED_ID_LIST = []
|
||
|
||
# 指定贴吧名称列表，爬取该贴吧下的帖子
|
||
TIEBA_NAME_LIST = [
|
||
# "盗墓笔记"
|
||
]
|
||
|
||
# 指定贴吧创作者URL列表
|
||
TIEBA_CREATOR_URL_LIST = [
|
||
"https://tieba.baidu.com/home/main/?id=tb.1.7f139e2e.6CyEwxu3VJruH_-QqpCi6g&fr=frs",
|
||
# ........................
|
||
]
|
||
|
||
# 指定小红书创作者ID列表
|
||
XHS_CREATOR_ID_LIST = [
|
||
"63e36c9a000000002703502b",
|
||
# ........................
|
||
]
|
||
|
||
# 指定Dy创作者ID列表(sec_id)
|
||
DY_CREATOR_ID_LIST = [
|
||
"MS4wLjABAAAATJPY7LAlaa5X-c8uNdWkvz0jUGgpw4eeXIwu_8BhvqE",
|
||
# ........................
|
||
]
|
||
|
||
# 指定bili创作者ID列表(sec_id)
|
||
BILI_CREATOR_ID_LIST = [
|
||
"20813884",
|
||
# ........................
|
||
]
|
||
|
||
# 指定快手创作者ID列表
|
||
KS_CREATOR_ID_LIST = [
|
||
"3x4sm73aye7jq7i",
|
||
# ........................
|
||
]
|
||
|
||
|
||
# 指定知乎创作者主页url列表
|
||
ZHIHU_CREATOR_URL_LIST = [
|
||
"https://www.zhihu.com/people/yd1234567",
|
||
# ........................
|
||
]
|
||
|
||
# 指定知乎需要爬取的帖子ID列表
|
||
ZHIHU_SPECIFIED_ID_LIST = [
|
||
"https://www.zhihu.com/question/826896610/answer/4885821440", # 回答
|
||
"https://zhuanlan.zhihu.com/p/673461588", # 文章
|
||
"https://www.zhihu.com/zvideo/1539542068422144000", # 视频
|
||
]
|
||
|
||
# 词云相关
|
||
# 是否开启生成评论词云图
|
||
ENABLE_GET_WORDCLOUD = False
|
||
# 自定义词语及其分组
|
||
# 添加规则：xx:yy 其中xx为自定义添加的词组，yy为将xx该词组分到的组名。
|
||
CUSTOM_WORDS = {
|
||
"零几": "年份", # 将“零几”识别为一个整体
|
||
"高频词": "专业术语", # 示例自定义词
|
||
}
|
||
|
||
# 停用(禁用)词文件路径
|
||
STOP_WORDS_FILE = "./docs/hit_stopwords.txt"
|
||
|
||
# 中文字体文件路径
|
||
FONT_PATH = "./docs/STZHONGS.TTF"
|
||
|
||
# 爬取开始的天数，仅支持 bilibili 关键字搜索，YYYY-MM-DD 格式
|
||
START_DAY = "2024-01-01"
|
||
|
||
# 爬取结束的天数，仅支持 bilibili 关键字搜索，YYYY-MM-DD 格式
|
||
END_DAY = "2024-01-01"
|
||
|
||
# Bilibili 搜索模式，仅在 CRAWLER_TYPE="search" 时生效
|
||
# "normal": 不指定时间范围进行搜索，最多返回约1000条结果。
|
||
# "all_in_time_range": 在 START_DAY 和 END_DAY 指定的时间范围内，尽可能多地爬取数据，每日上限受 MAX_NOTES_PER_DAY 影响，但总数可能超过 CRAWLER_MAX_NOTES_COUNT。
|
||
# "daily_limit_in_time_range": 在指定时间范围内，严格遵守 MAX_NOTES_PER_DAY 的每日上限和 CRAWLER_MAX_NOTES_COUNT 的总上限。
|
||
BILI_SEARCH_MODE = "all_in_time_range"
|
||
|
||
#!!! 下面仅支持 bilibili creator搜索
|
||
# 爬取评论creator主页还是爬取creator动态和关系列表(True为前者)
|
||
CREATOR_MODE = True
|
||
|
||
# 爬取creator粉丝列表时起始爬取页数
|
||
START_CONTACTS_PAGE = 1
|
||
|
||
# 爬取作者粉丝和关注列表数量控制(单作者)
|
||
CRAWLER_MAX_CONTACTS_COUNT_SINGLENOTES = 100
|
||
|
||
# 爬取作者动态数量控制(单作者)
|
||
CRAWLER_MAX_DYNAMICS_COUNT_SINGLENOTES = 50
|