成人网站PornHub爬虫分享(一天可爬取500万以上的视频)
2017-04-09 本文已影响2482人
xiyouMc
来自公众号 : DeveloperPython
声明：本项目旨在学习Scrapy爬虫框架和MongoDB数据库，不可使用于商业和个人其他意图。若使用不当，均由个人承担。
PornHubBot
- PornHubBot项目主要是爬取全球最大成人网站PornHub的视频标题、时长、mp4链接、封面URL和具体的PornHub链接
- 项目爬的是PornHub.com，结构简单，速度飞快
- 爬取PornHub视频的速度可以达到500万/天以上。具体视个人网络情况,因为我是家庭网络，所以相对慢一点。
- 10个线程同时请求，可达到如上速度。若个人网络环境更好，可启动更多线程来请求，具体配置方法见 [启动前配置]
环境、架构
开发语言: Python2.7
开发环境: MacOS系统、4G内存
数据库: MongoDB
- 主要使用 scrapy 爬虫框架
- 从Cookie池和UA池中随机抽取一个加入到Spider
- start_requests 根据 PorbHub 的分类，启动了5个Request，同时对五个分类进行爬取。
- 并支持分页爬取数据，并加入到待爬队列。
使用说明
启动前配置
- 安装MongoDB,并启动，不需要配置
- 安装Scrapy
- 安装Python的依赖模块：pymongo、json、requests
- 根据自己需要修改 Scrapy 中关于 间隔时间、启动Requests线程数等得配置
启动
- python PornHub/quickstart.py
运行截图
数据库说明
数据库中保存数据的表是 PhRes。以下是字段说明:
PhRes 表：
video_title:视频的标题,并作为唯一标识.
link_url:视频调转到PornHub的链接
image_url:视频的封面链接
video_duration:视频的时长，以 s 为单位
quality_480p: 视频480p的 mp4 下载地址
