爬取B站弹幕和评论

爬取某站弹幕和评论

相关参考文章

以爬该站点为例:
https://www.bilibili.com/bangumi/play/ep403767from_spmid=666.25.episode.0&from_outer_spmid=333.337.0.0

主要目录:

在这里插入图片描述

爬取弹幕

  1. 分析B站网页的内容—>F12打开开发者管理—>找到network,很多网页的东西都在这里面可以找到。

在这里插入图片描述

上面的图片中,展示了弹幕中的所有内容。仔细看保存在seg.so这个文件中了,这对于下一步操作 就方便了许多。

2.要分析你所需要爬取B站地址的aid,cid等内容,参考第一个链接

3.依靠前面的分析,根据所需要的内容进行变更即可下载。

import re
import requests

def downloadfiles(url,count):
    f = requests.get(url)
    filename = str(count)+".so"
    with open(filename,"wb") as code:
        code.write(f.content)
    print('文件下载成功!')
    print('-----------')

def calculatenum():
    global endnum
    f = open('test2.so', "r", encoding='utf-8')
    lines = f.readlines()
    for item in lines:
        d = re.findall('>(.*?)<', item)
        emptycontain = []
        i = 0
        for index in d:
            emptycontain.append('{}'.format(i + 1) + index)
            i += 1
        print('列表中元素总数为:{}'.format(i))
        print('------------------')
        endnum = i - 2

def convert():
    global endnum
    ff = open('./峡谷-弹幕文件.txt', "w", encoding='utf-8')
    f = open('./test2.so', "r", encoding='utf-8')
    lines = f.readlines()
    content = []
    calculatenum()
    for item in lines:
        d = re.findall('>(.*?)<', item)
        i = 16
        while i <= endnum:
            ff.write(d[i])
            ff.write('\n')
            content.append(d[i])
            i += 2
        else:
            break
    print('弹幕整理完成!')

if __name__ == '__main__':
    downloadfiles('https://api.bilibili.com/x/v1/dm/list.so?oid=314105897', 'test1') # 草海
    # downloadfiles('https://api.bilibili.com/x/v1/dm/list.so?oid=314094543', 'test2') # 冰河
    # downloadfiles('https://api.bilibili.com/x/v1/dm/list.so?oid=314116841', 'test3')  # 峡谷
    convert()

爬取评论

与上方介绍同理,找到需要的内容,进行爬取。

import requests

f = open('评论.txt', "w", encoding='utf-8')
f.write("评论" + "\n")
f.write("\n")

def get():
    # url = "https://api.bilibili.com/x/v2/reply/main?jsonp=jsonp&next=0&type=1&oid=379680114&mode=3&plat=1"
    url = "https://api.bilibili.com/x/v2/reply/main?jsonp=jsonp&next=0&type=1&oid=204809650&mode=3&plat=1"
    #需要加申请头,注意字符串中出现有一些特殊符号需要保留需要加转义符号\
    #cookie是用户信息
    #user-agent是服务器申请
    headers = {
        "cookie": "换成自己的",
        'accept-language': 'zh-CN,zh;q=0.9',
        'referer': 'https://www.bilibili.com/bangumi/play/ep403767?from_spmid=666.25.player.continue&from_outer_spmid=333.337.0.0',
        'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="96", "Google Chrome";v="96"',
        'sec-ch-ua-mobile': '?0',
        'sec-ch-ua-platform': '"Windows"',
        'sec-fetch-dest': 'script',
        'sec-fetch-mode': 'no-cors',
        'sec-fetch-site': 'same-site',
        'user-agent': '换成自己的'
    }
    response = requests.get(url=url, headers=headers).json()
    result = response['data']['replies']
    try:
        for item in result:
            user = item['member']['uname']
            comment = item['content']['message']
            f.write(user)
            f.write(":")
            f.write(comment)
            f.write("\n")
            try:
                for index in item['replies']:
                    f.write("  "+index['member']['uname'])
                    f.write(":")
                    f.write(index['content']['message'])
                    f.write("\n")
            except(TypeError):
                f.write("\n")
        i = 1
        while response['data']['cursor']['is_end'] == False:
            i += 1
            url1 = "https://api.bilibili.com/x/v2/reply/main?jsonp=jsonp&next=" + str(i) + "&type=1&oid=204809650&mode=3&plat=1"
            response1 = requests.get(url=url1, headers=headers).json()
            result1 = response1['data']['replies']
            for item2 in result1:
                user = item2['member']['uname']
                comment = item2['content']['message']
                f.write(user)
                f.write(":")
                f.write(comment)
                f.write("\n")
                try:
                    for index1 in item2['replies']:
                        f.write("  " + index1['member']['uname'])
                        f.write(":")
                        f.write(index1['content']['message'])
                        f.write("\n")
                except(TypeError):
                    f.write("\n")
        else:
            print('程序停止')
    except(TypeError):
        print("程序停止")
if __name__ == '__main__':
    get()

爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值