179 lines
5.2 KiB
Python
179 lines
5.2 KiB
Python
# 声明：本代码仅供学习和研究目的使用。使用者应遵守以下原则：
|
||
# 1. 不得用于任何商业用途。
|
||
# 2. 使用时应遵守目标平台的使用条款和robots.txt规则。
|
||
# 3. 不得进行大规模爬取或对平台造成运营干扰。
|
||
# 4. 应合理控制请求频率，避免给目标平台带来不必要的负担。
|
||
# 5. 不得用于任何非法或不当的用途。
|
||
#
|
||
# 详细许可条款请参阅项目根目录下的LICENSE文件。
|
||
# 使用本代码即表示您同意遵守上述原则和LICENSE中的所有条款。
|
||
|
||
|
||
# 基础配置
|
||
PLATFORM = "xhs"
|
||
KEYWORDS = "编程副业,编程兼职" # 关键词搜索配置，以英文逗号分隔
|
||
LOGIN_TYPE = "qrcode" # qrcode or phone or cookie
|
||
COOKIES = ""
|
||
# 具体值参见media_platform.xxx.field下的枚举值，暂时只支持小红书
|
||
SORT_TYPE = "popularity_descending"
|
||
# 具体值参见media_platform.xxx.field下的枚举值，暂时只支持抖音
|
||
PUBLISH_TIME_TYPE = 0
|
||
CRAWLER_TYPE = "search" # 爬取类型，search(关键词搜索) | detail(帖子详情)| creator(创作者主页数据)
|
||
|
||
# 是否开启 IP 代理
|
||
ENABLE_IP_PROXY = False
|
||
|
||
# 代理IP池数量
|
||
IP_PROXY_POOL_COUNT = 2
|
||
|
||
# 代理IP提供商名称
|
||
IP_PROXY_PROVIDER_NAME = "kuaidaili"
|
||
|
||
# 设置为True不会打开浏览器（无头浏览器）
|
||
# 设置False会打开一个浏览器
|
||
# 小红书如果一直扫码登录不通过，打开浏览器手动过一下滑动验证码
|
||
# 抖音如果一直提示失败，打开浏览器看下是否扫码登录之后出现了手机号验证，如果出现了手动过一下再试。
|
||
HEADLESS = False
|
||
|
||
# 是否保存登录状态
|
||
SAVE_LOGIN_STATE = True
|
||
|
||
# 数据保存类型选项配置,支持三种类型：csv、db、json, 最好保存到DB，有排重的功能。
|
||
SAVE_DATA_OPTION = "json" # csv or db or json
|
||
|
||
# 用户浏览器缓存的浏览器文件配置
|
||
USER_DATA_DIR = "%s_user_data_dir" # %s will be replaced by platform name
|
||
|
||
# 爬取开始页数 默认从第一页开始
|
||
START_PAGE = 1
|
||
|
||
# 爬取视频/帖子的数量控制
|
||
CRAWLER_MAX_NOTES_COUNT = 200
|
||
|
||
# 并发爬虫数量控制
|
||
MAX_CONCURRENCY_NUM = 1
|
||
|
||
# 是否开启爬图片模式, 默认不开启爬图片
|
||
ENABLE_GET_IMAGES = False
|
||
|
||
# 是否开启爬评论模式, 默认开启爬评论
|
||
ENABLE_GET_COMMENTS = True
|
||
|
||
# 爬取一级评论的数量控制(单视频/帖子)
|
||
CRAWLER_MAX_COMMENTS_COUNT_SINGLENOTES = 10
|
||
|
||
|
||
|
||
# 是否开启爬二级评论模式, 默认不开启爬二级评论
|
||
# 老版本项目使用了 db, 则需参考 schema/tables.sql line 287 增加表字段
|
||
ENABLE_GET_SUB_COMMENTS = False
|
||
|
||
# 已废弃⚠️⚠️⚠️指定小红书需要爬虫的笔记ID列表
|
||
# 已废弃⚠️⚠️⚠️ 指定笔记ID笔记列表会因为缺少xsec_token和xsec_source参数导致爬取失败
|
||
# XHS_SPECIFIED_ID_LIST = [
|
||
# "66fad51c000000001b0224b8",
|
||
# # ........................
|
||
# ]
|
||
|
||
# 指定小红书需要爬虫的笔记URL列表, 目前要携带xsec_token和xsec_source参数
|
||
XHS_SPECIFIED_NOTE_URL_LIST = [
|
||
"https://www.xiaohongshu.com/explore/66fad51c000000001b0224b8?xsec_token=AB3rO-QopW5sgrJ41GwN01WCXh6yWPxjSoFI9D5JIMgKw=&xsec_source=pc_search"
|
||
# ........................
|
||
]
|
||
|
||
|
||
# 指定抖音需要爬取的ID列表
|
||
DY_SPECIFIED_ID_LIST = [
|
||
"7280854932641664319",
|
||
"7202432992642387233"
|
||
# ........................
|
||
]
|
||
|
||
# 指定快手平台需要爬取的ID列表
|
||
KS_SPECIFIED_ID_LIST = [
|
||
"3xf8enb8dbj6uig",
|
||
"3x6zz972bchmvqe"
|
||
]
|
||
|
||
# 指定B站平台需要爬取的视频bvid列表
|
||
BILI_SPECIFIED_ID_LIST = [
|
||
"BV1d54y1g7db",
|
||
"BV1Sz4y1U77N",
|
||
"BV14Q4y1n7jz",
|
||
# ........................
|
||
]
|
||
|
||
# 指定微博平台需要爬取的帖子列表
|
||
WEIBO_SPECIFIED_ID_LIST = [
|
||
"4982041758140155",
|
||
# ........................
|
||
]
|
||
|
||
# 指定weibo创作者ID列表
|
||
WEIBO_CREATOR_ID_LIST = [
|
||
"5533390220",
|
||
# ........................
|
||
]
|
||
|
||
# 指定贴吧需要爬取的帖子列表
|
||
TIEBA_SPECIFIED_ID_LIST = [
|
||
|
||
]
|
||
|
||
# 指定贴吧名称列表，爬取该贴吧下的帖子
|
||
TIEBA_NAME_LIST = [
|
||
# "盗墓笔记"
|
||
]
|
||
|
||
TIEBA_CREATOR_URL_LIST = [
|
||
"https://tieba.baidu.com/home/main/?id=tb.1.7f139e2e.6CyEwxu3VJruH_-QqpCi6g&fr=frs",
|
||
# ........................
|
||
]
|
||
|
||
# 指定小红书创作者ID列表
|
||
XHS_CREATOR_ID_LIST = [
|
||
"63e36c9a000000002703502b",
|
||
# ........................
|
||
]
|
||
|
||
# 指定Dy创作者ID列表(sec_id)
|
||
DY_CREATOR_ID_LIST = [
|
||
"MS4wLjABAAAATJPY7LAlaa5X-c8uNdWkvz0jUGgpw4eeXIwu_8BhvqE",
|
||
# ........................
|
||
]
|
||
|
||
# 指定bili创作者ID列表(sec_id)
|
||
BILI_CREATOR_ID_LIST = [
|
||
"20813884",
|
||
# ........................
|
||
]
|
||
|
||
# 指定快手创作者ID列表
|
||
KS_CREATOR_ID_LIST = [
|
||
"3x4sm73aye7jq7i",
|
||
# ........................
|
||
]
|
||
|
||
|
||
# 指定知乎创作者主页url列表
|
||
ZHIHU_CREATOR_URL_LIST = [
|
||
"https://www.zhihu.com/people/yd1234567",
|
||
# ........................
|
||
]
|
||
|
||
# 词云相关
|
||
# 是否开启生成评论词云图
|
||
ENABLE_GET_WORDCLOUD = False
|
||
# 自定义词语及其分组
|
||
# 添加规则：xx:yy 其中xx为自定义添加的词组，yy为将xx该词组分到的组名。
|
||
CUSTOM_WORDS = {
|
||
'零几': '年份', # 将“零几”识别为一个整体
|
||
'高频词': '专业术语' # 示例自定义词
|
||
}
|
||
|
||
# 停用(禁用)词文件路径
|
||
STOP_WORDS_FILE = "./docs/hit_stopwords.txt"
|
||
|
||
# 中文字体文件路径
|
||
FONT_PATH = "./docs/STZHONGS.TTF"
|