您好,登錄后才能下訂單哦!
這篇文章主要介紹了Python如何爬取到B站的彈幕,具有一定借鑒價(jià)值,感興趣的朋友可以參考下,希望大家閱讀完這篇文章之后大有收獲,下面讓小編帶著大家一起了解一下。
本文的文字及圖片來(lái)源于網(wǎng)絡(luò),僅供學(xué)習(xí)、交流使用,不具有任何商業(yè)用途,如有問(wèn)題請(qǐng)及時(shí)聯(lián)系我們以作處理。
想必小破站大家都很熟悉叭,里面充滿了各種神奇的視頻,其中的「彈幕」成為了許多人的快樂(lè)源泉。關(guān)于它的爬蟲也有很多,但大部分都受限于彈幕池的數(shù)量,只能爬取到其中很少一部分的彈幕。
那么,有沒(méi)有辦法可以爬取到B站更多的彈幕呢?
首先,我們需要找到B站視頻彈幕的接口,通過(guò)瀏覽器的F12調(diào)試工具抓包可以發(fā)現(xiàn),其接口為:
https://api.bilibili.com/x/v1/dm/list.so?oid={oid/cid}
其實(shí),除了這個(gè)接口之外,還有另外一個(gè)接口同樣是可以獲取到彈幕的:
https://comment.bilibili.com/{oid/cid}.xml
其中「oid」和「cid」是iB站給每個(gè)視頻分配的一個(gè)id號(hào),但是通常我們?cè)跒g覽器地址看到的是「bvid」,因此需要做個(gè)轉(zhuǎn)換:
這里相關(guān)的接口有很多,可以定義如下函數(shù):
def get_cid(bvid): ''' 通過(guò)視頻的bvid獲得視頻的cid 輸入:視頻的bvid 輸出:視頻的cid ''' url = 'https://api.bilibili.com/x/player/pagelist?bvid=%s&jsonp=jsonp'%bvid res = requests.get(url) data = res.json() return data['data'][0]['cid']
有了「cid」之后,我們便可以通過(guò)剛才發(fā)現(xiàn)的彈幕接口爬取彈幕了,代碼如下:
oid = get_cid(bvid) # 這里的cid和oid是一樣的 url = 'https://api.bilibili.com/x/v1/dm/list.so?oid=%d'%oid res = requests.get(url) res.encoding = 'utf-8' text = res.text
注意:這里需要指定res的編碼方式為utf-8,否則會(huì)出現(xiàn)亂碼現(xiàn)象。
我們得到的請(qǐng)求為一個(gè)xml文件,其格式大致如下:
那么,利用正則可以它們都提前出來(lái):
def parse_dm(text): ''' 解析視頻彈幕 輸入:視頻彈幕的原數(shù)據(jù) 輸出:彈幕的解析結(jié)果 ''' result = [] # 用于存儲(chǔ)解析結(jié)果 data = re.findall('<d p="(.*?)">(.*?)</d>',text) for d in data: item = {} # 每條彈幕數(shù)據(jù) dm = d[0].split(',') # 彈幕的相關(guān)詳細(xì),如出現(xiàn)時(shí)間,用戶等 item['出現(xiàn)時(shí)間'] = float(dm[0]) item['模式'] = int(dm[1]) item['字號(hào)'] = int(dm[2]) item['顏色'] = int(dm[3]) item['評(píng)論時(shí)間'] = time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(int(dm[4]))) item['彈幕池'] = int(dm[5]) item['用戶ID'] = dm[6] # 并非真實(shí)用戶ID,而是CRC32檢驗(yàn)后的十六進(jìn)制結(jié)果 item['rowID'] = dm[7] # 彈幕在數(shù)據(jù)庫(kù)中的ID,用于“歷史彈幕”功能 item['彈幕內(nèi)容'] = d[1] result.append(item) return result
通過(guò)解析requests的請(qǐng)求,便能得到相應(yīng)的彈幕:
dms = parse_dm(text) # 解析彈幕
但是,這里受到彈幕池的限制,每次只能抓取一小部分,當(dāng)彈幕數(shù)量很多時(shí),顯然這個(gè)辦法行不通。
那么,我們得另尋它路了~
通過(guò)分析,我們可以找到另外一個(gè)接口,用于獲取每天的彈幕歷史數(shù)據(jù):
https://api.bilibili.com/x/v2/dm/history?type=1&oid={oid/cid}&date=xx-xx
「date」為日期,通過(guò)遍歷日期便可獲得更多的彈幕。需要注意的是,這個(gè)接口需要登陸,因此在請(qǐng)求的時(shí)候必須得加入cookies,可以定義如下函數(shù):
def get_history(bvid,date): ''' 獲取視頻歷史彈幕 輸入:視頻bvid,日期 輸出:視頻某一日期開(kāi)始的彈幕 ''' oid = get_cid(bvid) url = 'https://api.bilibili.com/x/v2/dm/history?type=1&oid=%d&date=%s'%(oid,date) headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:82.0) Gecko/20100101 Firefox/82.0', 'Accept': '*/*', 'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Origin': 'https://www.bilibili.com', 'Connection': 'keep-alive', 'Referer': 'https://www.bilibili.com/video/BV1k54y1U79J', 'TE': 'Trailers'} # 此接口需要登陸,因此需要cookies cookies = {} res = requests.get(url,headers=headers,cookies=cookies) res.encoding = 'utf-8' text = res.text dms = parse_dm(text) # 解析彈幕 return dms
想要獲得更多的彈幕,遍歷每一天的彈幕數(shù)據(jù)即可,但是這樣存在兩個(gè)問(wèn)題:「效率太低」、「數(shù)據(jù)重復(fù)」。因?yàn)?,每次獲取通??梢缘玫娇缭綆滋斓臄?shù)據(jù),所以我們無(wú)需每天都去訪問(wèn),而是根據(jù)結(jié)果逐步往前推即可:
def get_dms(bvid): ''' 獲取視頻彈幕(此方法獲取的彈幕數(shù)量更多) 輸入:視頻的bvid 輸出:視頻的彈幕 ''' print('視頻解析中...') info = get_info(bvid) print('視頻解析完成!') print('【視頻標(biāo)題】: %s\n【視頻播放量】:%d\n【彈幕數(shù)量】: %d\n【上傳日期】: %s'%(info[0],info[1],info[2],info[3])) dms = get_dm(bvid) # 存儲(chǔ)彈幕 if len(dms) >= info[2]: # 如果彈幕數(shù)量已抓滿 return dms else: dms = [] date = time.strftime('%Y-%m-%d',time.localtime(time.time())) # 從今天開(kāi)始 while True: dm = get_history(bvid,date) dms.extend(dm) print('"%s"彈幕爬取完成!(%d條)'%(date,len(dm))) if len(dm) == 0: # 如果為空 break end = dm[-1]['評(píng)論時(shí)間'].split()[0] # 取最后一條彈幕的日期 if end == date: # 如果最后一條仍為當(dāng)天,則往下推一天 end = (datetime.datetime.strptime(end,'%Y-%m-%d')-datetime.timedelta(days=1)).strftime('%Y-%m-%d') if end == info[3]: # 如果已經(jīng)到達(dá)上傳那天 break else: date = end dm = get_history(bvid,info[3]) # 避免忽略上傳那天的部分?jǐn)?shù)據(jù) dms.extend(dm) print('彈幕爬取完成!(共%d條)'%len(dms)) print('數(shù)據(jù)去重中...') dms = del_repeat(dms,'rowID') # 按rowID給彈幕去重 print('數(shù)據(jù)去重完成!(共%d條)'%len(dms)) return dms
運(yùn)行主函數(shù):
if __name__ == '__main__': dms = get_dms('BV1HJ411L7DP') dms = pd.DataFrame(dms) dms.to_csv('一路向北.csv',index=False)
爬取過(guò)程如下:
感謝你能夠認(rèn)真閱讀完這篇文章,希望小編分享的“Python如何爬取到B站的彈幕”這篇文章對(duì)大家有幫助,同時(shí)也希望大家多多支持億速云,關(guān)注億速云行業(yè)資訊頻道,更多相關(guān)知識(shí)等著你來(lái)學(xué)習(xí)!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。