手把手教你爬取B站弹幕！ |
您所在的位置：网站首页 › b站弹幕爬取 › 手把手教你爬取B站弹幕！ |
手把手教你爬取B站弹幕！
|
效果
输入要爬取的视频的BV号即可爬取该视频的弹幕。
基本的思路很简单，还是老步骤： 1、构造爬取的url 2、解析返回的数据 3、使用json或Xpath或正则表达式提取数据 4、保存数据 寻找url地址 第一步刚开始还是从网页版中寻找url地址，结果请求很多，找了半天也没有找到
于是我们可以访问一下手机版的页面，而根据常识，弹幕这种东西一般是通过ajax来请求的，所以我们过滤一下，只看异步请求。
此时请求就变得少了很多，但是依然没有找到我们需要的弹幕数据，此时才发现我们并没有点击播放视频。 第三步弹幕是在视频播放的过程中播放的，理所当然只有当我们播放视频并且打开弹幕后才会请求弹幕的数据，我们点击播放。
点击播放后我们可以发现请求变多了，再次寻找我们发现 168881748.xml 请求的地址便是弹幕数据了。
到这里我们就想到了，这种地址是怎么请求的呢？不同的视频请求的地址肯定是不一样的，应该是js生成的吧！现在我们来搜索一下该文件名``168881748`
很显然这是构造出来的地址，我们点进去看一下
不出所料是js构成的请求地址，我们可以发现这便是页面的数据，我们进一步去验证一下，刷新页面，查看一下网页的数据。
果然在该页面的文档中我们找到了
现在思路就很清晰了 1、通过视频url获取弹幕文件url 2、爬取弹幕文件url 3、提取数据 代码实现 # coding=utf-8 import requests from lxml import etree import re class BiliSpider: def __init__(self,BV): # 构造要爬取的视频url地址 self.BVurl = "https://m.bilibili.com/video/"+BV self.headers = {"User-Agent": "Mozilla/5.0 (Linux; Android 8.0; Pixel 2 Build/OPD3.170816.012) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Mobile Safari/537.36"} # 弹幕都是在一个url请求中，该url请求在视频url的js脚本中构造 def getXml_url(self): # 获取该视频网页的内容 response = requests.get(self.BVurl, headers = self.headers) html_str = response.content.decode() # 使用正则找出该弹幕地址 # 格式为：https://comment.bilibili.com/168087953.xml # 我们分隔出的是地址中的弹幕文件名，即 168087953 getWord_url = re.findall(" '//comment.bilibili.com/'+ (.*) +'.xml',", html_str) getWord_url = getWord_url[0].replace("+","").replace(" ","") # 组装成要请求的xml地址 xml_url = "https://comment.bilibili.com/{}.xml".format(getWord_url) return xml_url # Xpath不能解析指明编码格式的字符串，所以此处我们不解码，还是二进制文本 def parse_url(self,url): response = requests.get(url,headers = self.headers) return response.content # 弹幕包含在xml中的中，取出即可 def get_word_list(self,str): html = etree.HTML(str) word_list = html.xpath("//d/text()") return word_list def run(self): # 1.根据BV号获取弹幕的地址 start_url = self.getXml_url() # 2.请求并解析数据 xml_str = self.parse_url(start_url) word_list = self.get_word_list(xml_str) # 3.打印 for word in word_list: print(word) if __name__ == '__main__': BVName = input("请输入要爬取的视频的BV号:") spider = BiliSpider(BVName) spider.run()这里只打印了弹幕，并没有保存，可以根据自己的需求进行更改！ |
【本文地址】