crawler_xiaoniangao/README.md

小年糕爬虫

文档

1. GIT: https://git.yishihui.com/Server/crawler-xiaoniangao.git
2. 云文档: https://w42nne6hzg.feishu.cn/sheets/shtcnYxiyQ1wLklo1W5Kdqc9cGh?sheetyatRv2

软件架构

1. ffmpeg1.4
2. ffmpeg_python0.2.0
3. loguru0.6.0
4. oss22.15.0
5. requests2.27.1
6. urllib31.26.9
7. python3.10

使用说明

1. cd ./crawler_xiaoniangao
2. python3 main/run_recommend.py
3. python3 main/run_person.py
4. python3 main/run_play.py

需求

2022/10/19

1. 已下载视频分表: 小时级_已下载表、用户主页_已下载表、播放量_已下载表
2. 三种规则分别增加报警监控

2022/9/9

1. 增加已下载去重表:sheet=2zD8cv

2022/9/7

1. 新增播放量下载规则
   1. 播放量>=10W
   2. 发布时间<=30天
   3. 运行时间 6 - 18 点

2022/9/5

1. 修复个人主页抓取无权限写入飞书文档的问题
2. 小时榜下载规则修改:播放量>=10W -> 播放量>=5W

2022/7/06 新增:用户主页抓取视频

1. 发布时间 72 小时内
2. 播放量 > 2000
3. 时长 > 1 分钟
4. 抓取间隔时长: 1 小时

2022/6/29

1. 已下载视频表:预留前 5 列备用
2. 已下载视频表增加列:站内视频链接
3. 已下载视频，同步信息至监控表:https://w42nne6hzg.feishu.cn/sheets/shtcnlZWYazInhf7Z60jkbLRJyd?sheet6fed97

2022/6/17

1. 小时榜抓取基础规则
   1. 时长>40s
   2. 发布时间<10天
   3. 播放量>4000
   4. 过滤无效视频（标题、ID、时长等为空）
   5. 过滤敏感词库
   6. 从已下载表中去重
   7. 从小时榜表中去重
2. 小时榜更新规则：
   1. 抓取时间<2天
   2. 每天 10、15、20 点更新播放量的差值（上升榜中写入的数据：当前播放量 - 上个时间段的播放量）
3. 小时榜下载规则
   1. 抓取时间<3天
   2. 视频时长>40s
   3. 任意时间段播放量上升>5000 或 连续两个时间段播放量上升>2000
4. 关注榜抓取基础规则
   1. 时长>40s
   2. 发布时间<2天
   3. 播放量>5000
5. 关注榜下载规则
   1. 过滤无效视频（标题、ID、时长等为空）
   2. 过滤敏感词库
   3. 从已下载表中去重
6. 上传视频时，info.txt文件中的视频信息包含
   1. str(download_video_id)
   2. str(download_video_title)
   3. str(download_video_duration)
   4. str(download_video_play_cnt)
   5. str(download_video_comment_cnt)
   6. str(download_video_like_cnt)
   7. str(download_video_share_cnt)
   8. str(download_video_resolution)
   9. str(download_video_send_time)
   10. str(download_user_name)
   11. str(download_head_url)
   12. str(download_video_url)
   13. str(download_cover_url)
   14. str(download_video_session)