原标题:零基础学爬虫(一):不用编程抓取B站弹幕信息
网络爬虫是一种自动获取网页内容的程序,是搜索引擎的重要组成部分。
利用网络爬虫可以做到很多很有趣、有用的事情,比如收集某网站的用户信息、抓取论坛发言、各大电商销售数据、各类招聘网站职位数据等等,还有很多数据,不一一列举了。只要有爱数据的心和爬虫程序,一切且有可能。
抓取电商网站销售数据
今天给大家的例子是不用编程抓取B站弹幕信息。
首先,大家要下载一个谷歌浏览器。
然后,使用谷歌浏览器打开一个网站(比如打开一个B站的视频“【木鱼微剧场】几分钟看完《三国演义》(Part 1)董卓乱权”, http://www.bilibili.com/video/av6938128/),在网页空白处点击右键的“检查”(或者按快捷键F12),打开谷歌浏览器的开发者工具。如果弹出来的界面是左右分屏的,可以点击右上方的三个小点,点击“Dock to bottom”,切换为上下分屏。
点击切换分屏的按钮
切换为上下分屏以后的显示
切换为上下分屏以后,在控制台里点击“Network”,然后按F5刷新一下当前网页,在“Filter”过滤检索框内输入xml按回车,可以找到一个xml格式的文件。小编找到的文件为“11307997.xml”,大家在B站打开不同的视频,获取的xml文件名也不同。
选中xml文件点击鼠标右键选择“Open in the new tab”,在新的页面打开xml文件,可以看到所有的弹幕信息。
在新页面查看所有弹幕信息
我们获取的xml文件有两种方法可以打开。
一,打开Excel 2013以上的版本,依次点击菜单栏的“数据”->“自网站”->输入地址->点击黄色标识选中全文->“导入”。
二,将获取的xml文件保存在电脑上,打开WPS表格或者Excel 2013以上的版本,打开保存的xml文件。
在xml文件页面点击右键选择“另存为”
使用WPS表格打开的xml文件
打开xml文件以后发现,所有弹幕的数据都集中在“p”这一列上面,可以通过数据标签的分列操作,以逗号作为分隔符,将这一列的信息拆分出来。
选中“p”一列,点击菜单栏的“数据”->“分列”
选择“分割符号”然后“下一步”
选中“分割符号”的“大逗号”,点“下一步”
点击“完成”
分列以后的数据
可以看到,分列以后,“p”一列的数据已经以逗号分开了。分列以后能看到很多弹幕的信息。
每一列弹幕的具体含义
这样,我们就能把B站视频的弹幕信息抓取下来了,感兴趣的朋友可以将抓取的弹幕做进一步的分析。下一篇文章我们将安装一个浏览器的爬虫插件,开始真正使用软件爬取网站信息。
粉丝福利:关注公众号“辰语程序员学习笔记”,在公众号对话框回复关键词“爬虫”,小编给你《用Python写网络爬虫》的下载地址!
-END-
往期回顾
责任编辑: