一个全球最大成人网站的Python爬虫

简介

• 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Python的依赖模块：Scrapy, pymongo, requests 或 pip install -r requirements.txt
• 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：

1. video_title:视频的标题,并作为唯一标识.
2. link_url:视频调转到PornHub的链接
3. image_url:视频的封面链接
4. video_duration:视频的时长，以 s 为单位
5. quality_480p: 视频480p的 mp4 下载地址

项目地址：https://github.com/xiyouMc/WebHubBot/