mirror of
https://github.com/NanmiCoder/MediaCrawler.git
synced 2026-09-21 03:28:11 +08:00
137 lines
3.6 KiB
Python
137 lines
3.6 KiB
Python
# 基础配置
|
|
PLATFORM = "xhs"
|
|
KEYWORDS = "编程副业,编程兼职"
|
|
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
|
|
SAVE_DATA_OPTION = "csv" # 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 = 100
|
|
|
|
# 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, 默认不开启爬评论
|
|
ENABLE_GET_COMMENTS = False
|
|
|
|
# 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
|
|
|
|
# 指定小红书需要爬虫的笔记ID列表
|
|
XHS_SPECIFIED_ID_LIST = [
|
|
"6422c2750000000027000d88",
|
|
# ........................
|
|
]
|
|
|
|
# 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"
|
|
]
|
|
|
|
# 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",
|
|
# ........................
|
|
]
|
|
|
|
# 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"
|