聲明:本項目旨在學習Scrapy爬蟲框架和MongoDB數據庫,不可使用於商業和個人其他意圖。若使用不當,均由個人承擔。
PornHubBot
- PornHubBot項目主要是爬取全球最大成人網站PornHub的視頻標題、時長、mp4鏈接、封面URL和具體的PornHub鏈接
- 項目爬的是PornHub.com,結構簡單,速度飛快
- 爬取PornHub視頻的速度可以達到500萬/天以上。具體視個人網絡情況,因爲我是家庭網絡,所以相對慢一點。
- 10個線程同時請求,可達到如上速度。若個人網絡環境更好,可啓動更多線程來請求,具體配置方法見 [啓動前配置]
環境、架構
開發語言: Python2.7
開發環境: MacOS系統、4G內存
數據庫: MongoDB
- 主要使用 scrapy 爬蟲框架
- 從Cookie池和UA池中隨機抽取一個加入到Spider
- start_requests 根據 PorbHub 的分類,啓動了5個Request,同時對五個分類進行爬取。
- 並支持分頁爬取數據,並加入到待爬隊列。
使用說明
啓動前配置
- 安裝MongoDB,並啓動,不需要配置
- 安裝Scrapy
- 安裝Python的依賴模塊:pymongo、json、requests
- 根據自己需要修改 Scrapy 中關於 間隔時間、啓動Requests線程數等得配置
啓動
- python PornHub/quickstart.py
運行截圖
數據庫說明
數據庫中保存數據的表是 PhRes。以下是字段說明:
PhRes 表:
video_title:視頻的標題,並作爲唯一標識.
link_url:視頻調轉到PornHub的鏈接
image_url:視頻的封面鏈接
video_duration:視頻的時長,以 s 爲單位
quality_480p: 視頻480p的 mp4 下載地址