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.
2.0 KiB
2.0 KiB
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）。
支持以下平台视频分享网页数据抓取：
- bilibili - Bilibili，B站
- douyin - 抖音网页版
- kuaishou - 快手网页版
- xigua - 西瓜视频网页版
- website - 任意网页
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
- install_hero.sh - hero客户端安装
- start_cloud.sh - hero服务端启动
- config.mjs - 爬虫配置文件
- spider.mjs - TaJian爬虫主程序
使用方法
- 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/
- 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。
- 执行下面命令启动Hero Cloud
./start_cloud.sh
- 执行下面命令启动爬虫spider.mjs
npm start
带参数启动，设置自定义配置文件，覆盖默认的config.mjs
npm start -- config_custom.json
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。
手动添加任务命令示例：
echo "https://tajian.tv" > todo/test_01.task
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。