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

1. 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/

2. 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。

3. 执行下面命令启动Hero Cloud

./start_cloud.sh

4. 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。