You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
|
|
|
|
# machete的hero爬虫脚本库
|
|
|
|
|
|
|
|
|
|
Hero scripts of machete.
|
|
|
|
|
|
|
|
|
|
本项目基于Node.js和开源工具Hero（[Ulixee官网](https://ulixee.org)）。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
支持以下平台视频分享网页数据抓取：
|
|
|
|
|
|
|
|
|
|
* 抖音网页版
|
|
|
|
|
* 快手网页版
|
|
|
|
|
* 西瓜视频网页版
|
|
|
|
|
* Bilibili
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
爬虫采集到的数据结构见Machete项目的TaJian皮肤文档，目前实现了以下几个属性：
|
|
|
|
|
|
|
|
|
|
* 视频标题
|
|
|
|
|
* 视频封面图（含图片网址和base64格式数据）
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## 目录/文件说明
|
|
|
|
|
|
|
|
|
|
* bot - 针对各大平台的网页HTML解析类
|
|
|
|
|
* bypass - 针对各大平台的常用域名收集
|
|
|
|
|
* lib - 公用类
|
|
|
|
|
* plugin - Hero插件
|
|
|
|
|
* data - TaJian爬虫数据保存目录
|
|
|
|
|
* todo - TaJian爬虫任务保存目录
|
|
|
|
|
* test - 类库测试代码
|
|
|
|
|
* tmp - 临时文件保存目录
|
|
|
|
|
* install_cloud.sh - hero服务端安装（非必需）
|
|
|
|
|
* install_hero.sh - hero客户端安装
|
|
|
|
|
* config.mjs - 爬虫配置文件
|
|
|
|
|
* spider.mjs - TaJian爬虫主程序
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## 使用方法
|
|
|
|
|
|
|
|
|
|
1. 下载本源码到本地后，进入项目根目录
|
|
|
|
|
```
|
|
|
|
|
git clone "https://git.filesite.io/filesite/machete_hero.git"
|
|
|
|
|
cd machete_hero/
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2. 执行下面命令安装依赖包
|
|
|
|
|
```
|
|
|
|
|
npm install
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
如果你对npm和node不熟悉，请自行了解。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3. 执行下面命令启动爬虫
|
|
|
|
|
```
|
|
|
|
|
npm start
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
在目录todo/里创建任务文件，爬虫检测到新任务后自动抓取数据并保存到data/目录下。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4. 二次开发
|
|
|
|
|
|
|
|
|
|
写一个.mjs脚本，调用bot/下的类库，实现目标网页访问和解析获取所需数据。
|
|
|
|
|
|
|
|
|
|
还可以参考bot/下的类库，实现对任意网站的数据抓取。
|
|
|
|
|
|
|
|
|
|
bot/目录下的类库调用方法，可参考test/scrap_test.mjs测试脚本，
|
|
|
|
|
测试脚本使用方法见test/README.md文档。
|
