B站UP主指法芬芳张大仙弹幕爬取及可视化

---

前言

        在此之前，爬取了大仙投稿的全部视频的详细信息。【B站爬虫】爬取B站UP主指法芬芳张大仙投稿视频。提取出2020年度的视频数据，通过统计可以发现下图所示视频的弹幕数最多，本文以此视频为例对B站弹幕进行爬取，最后将爬取而得的弹幕信息可视化。

一、爬取视频弹幕相关信息

1.B站弹幕接口

        通过百度和自己利用抓包工具研究发现，B站弹幕的接口：

1. https://comment.bilibili.com/cid.xml
2. https://api.bilibili.com/x/v1/dm/list.so?oid=cid

        只需要获得视频的cid即可得到视频的弹幕信息。

2.获取视频的cid

        由于之前爬取得到的数据中没有视频的cid号，因此需要先获取视频的cid号才能获取弹幕数据。同样经过搜索研究，发现B站获取cid号的接口：

https://api.bilibili.com/x/player/pagelist?bvid=bvid&jsonp=jsonp

        通过视频的bvid号即可得到视频的cid号。在接口链接中输入上述视频的bvid号：BV1S64y1M7Ro，进入页面查看结果：https://api.bilibili.com/x/player/pagelist?bvid=BV1S64y1M7Ro&jsonp=jsonp

        利用JSON校验格式化工具查看结果：

        由视频的bvid号获取视频的cid代码如下：

import requests
import json

# 请求头
headers = {
   
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 Edg/92.0.902.67',
}

# 获取视频的cid
def get_cid(bvid):
    # API地址
    API = 'https://api.bilibili.com/x/player/pagelist'

    # 参数
    params = {
   
        'bvid': bvid,
        'jsonp': 'jsonp',
    }

    # 发起请求
    response = requests.get(url=API, headers=headers, params=params)

    # 网页源代码
    html = response.text

    # html文档转换为字典
    dict = json.loads(html)
	
	result = dict["data"][0]["cid"]
	
    return result

3.获取视频弹幕信息

        以B站弹幕接口2为例对视频的弹幕信息进行爬取，在接口网址中输入上面得到的cid号：172761939，进入页面查看结果：https://api.bilibili.com/x/v1/dm/list.so?oid=172761939

        通过百度发现，每一个d标签代表一条弹幕，其属性p为该弹幕的相关信息，各字段以逗号分隔，各字段按顺序的含义如下：

1. 弹幕在本视频的第几秒发送
2. 弹幕类型

type	meaning
1~3	滚动弹幕
4	底端弹幕
6	顶端弹幕
7	逆向弹幕
8	高级弹幕

3. 字号
4. 弹幕颜色【十进制】
5. 弹幕发送时间【时间戳】
6. 弹幕池

type	meaning
0	普通池
1	字幕池
2	特殊池

7. 发送者ID
8. 弹幕在数据库中的行号

        由视频的cid号获取视频弹幕信息，利用正则表达式进行数据解析，同时将结果存储为.xls文件代码如下：

import requests
import chardet
import re
import xlwt

# 请求头
headers = {
   
    'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 Edg/92.0.902.67",
}


def write_to_excel(words, filename, sheet_name='sheet1'):
    try:
        # 1、创建工作薄
        work_book = xlwt.Workbook(encoding='utf-8')
        # 2、创建sheet表单
        sheet = work_book.add_sheet(sheet_name)
        # 3、写表头
        head = []
        for k in words[0].keys():
            head.append(k)

        for i in range(len(head)):
            sheet.write(0, i, head[i])
        # 4、添加内容
        # 行号
        i = 1
        for item in words:
            for j in range(len(head)):
                sheet.write(i, j, item[head[j]])
            # 写完一行，将行号+1
            i += 1
        # 保存
        work_book.save(filename)
        print('写入excel成功！')

    except Exception as e:
        print('写入excel失败！', e)
        
# 爬取B站视频弹幕
def get_barrage(cid):
    # API地址
    API = 'https://api.bilibili.com/x/v1/dm/list.so'

    # 参数
    params = {
   
        'oid': cid,
    }

    # 发起请求
    response = requests.get(url=API, headers=headers, params=params)

    # 网页源代码编码
    response.encoding = chardet.detect(response.content)['encoding']

    # 网页源代码
    html = response.text

    # 正则表达式预编译
    pattern = re.compile(r'<d p="(.*?)">(.*?)</d>')

    # 正则表达式数据解析
    result = pattern.findall(html)

    # 存放数据容器
    words = []

    # 计数器
    count = 0

    for item in result:
        count += 1

        info = item[0].split(',')
        # 出现时间
        appear_time = info[0]
        # 类型
        type = info[1]
        # 字号
        font_size = info[2]
        # 字体颜色
        font_color = info[3]
        # 发送时间
        send_time = info[4]
        # 弹幕池
        pool = info[5]
        # 作者
        author_id = info[6]
        # 数据库记录
        database_id = info[7]
        # 弹幕内容
        content = item[1]

        words.append({
   
            'atime': appear_time,
            'type': type,
            'font_size': font_size,
            'font_color': font_color,
            'send_time': send_time,
            'pool': pool,
            'author_id': author_id,
            'database_id': database_id,
            'content': content,
        }