欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

你会使用python爬虫抓取弹幕吗

程序员文章站 2022-06-09 19:48:56
目录前言一、爬虫是什么?二、饲养步骤1.请求弹幕2.解析弹幕3.存储弹幕4.总代码三、总结前言时隔108天,何同学在b站发布了最新的视频,《【何同学】我用108天开了个灯…》。那么就让我...

前言

时隔108天,何同学在b站发布了最新的视频,《【何同学】我用108天开了个灯…》。那么就让我们用爬虫,爬取视频的弹幕,看看小伙伴们是怎么评价的吧

一、爬虫是什么?

百度百科这样说:自动获取网页内容的程序。在我理解看来,爬虫就是~~“在网络上爬来爬去的…”住口!~~
那么接下来就让我们看看如何养搬运b站弹幕的“虫”吧

二、饲养步骤

1.请求弹幕

首先,得知道爬取的网站url是什么。对于b站弹幕而言,弹幕所在位置是有固定格式的:

http://comment.bilibili.com/+cid+.xml

ok,那么问题来了,cid是什么呢?不用管是什么,我告诉你怎么获取。

1.打开视频后点击f12,切换到“网络”,在筛选器处填入“cid”进行筛选。

你会使用python爬虫抓取弹幕吗

2.点击筛选出的网络信息,在右端payload处找到cid

你会使用python爬虫抓取弹幕吗

3.到此,我们就知道了何同学视频弹幕的网络链接:

http://comment.bilibili.com/499893135.xml

4.接着就是发送网络请求,获取网络页面资源。python有很多发送网络请求的库。比如:

  • urllib库
  • requests库

我们用reaquests库演示

发送请求的代码如下

(示例):

#【何同学】我用108天开了个灯......视频的cid:499893135
#弹幕所在地
url = "http://comment.bilibili.com/499893135.xml"
#发送请求
req = requests.get(url = url)
#获取内容响应的内容
html_byte = req.content
#将byte转为str
html_str = str(html_byte,"utf-8")

还有个值得提一下的地方是,发送请求的请求头可以加上,伪装自己是浏览器访问。可以通过header参数,加上user-agent,获取方式如下:

你会使用python爬虫抓取弹幕吗

那么,代码就是下面这样了:

#假装自己是浏览器
header ={
    'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/98.0.4758.80 safari/537.36 edg/98.0.1108.43'
}
#【何同学】我用108天开了个灯......视频的cid:499893135
#弹幕所在地
url = "http://comment.bilibili.com/499893135.xml"
#发送请求
req = requests.get(url = url, headers=header)
#获取内容响应的内容
html_byte = req.content
#将byte转为str
html_str = str(html_byte,"utf-8")

2.解析弹幕

html_str是html文件的格式,我们需要对其进行处理,来获取我们想要的信息。这个时候,beautifulsoup库就要闪亮登场了,我们用它来处理得到的html文件

代码如下(示例):

#解析
    soup = beautifulsoup(html,'html.parser')
    #找到html文件里的<d>标签
    results = soup.find_all('d')
    #把标签里的文本提取出来
    contents = [x.text for x in results]
    #存为字典
    dic ={"contents" : contents}

contents就是弹幕字符串列表了,存成字典是为了下一步…

3.存储弹幕

把弹幕信息存储成excel,也有好多库可以用。比如:

  • xlwt库
  • pandas库

我们就用pandas库把

代码如下(示例):

把用第二步得到的字典创建dataframe,然后用pandas库的一个api存下就行了

#用字典创建了一个电子表格
df = pd.dataframe(dic)
df["contents"].to_excel('htx.xlsx')

4.总代码

import requests
from bs4 import beautifulsoup
import pandas as pd
 def main():
    html = askurl()
    dic =analyse(html)
    writeexcel(dic)
 def askurl():
    #假装自己是浏览器
    header ={
        'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/98.0.4758.80 safari/537.36 edg/98.0.1108.43'
    }
    #【何同学】我用108天开了个灯......视频的cid:499893135
    #弹幕所在地
    url = "http://comment.bilibili.com/499893135.xml"
    req = requests.get(url = url, headers=header)
    html_byte = req.content#字节
    html_str = str(html_byte,"utf-8")
    return html_str
 def analyse(html):
    soup = beautifulsoup(html,'html.parser')
    results = soup.find_all('d')
    #x.text表示要放到contents中的值
    contents = [x.text for x in results]
    #保存结果
    dic ={"contents" : contents}
    return dic
 def writeexcel(dic):
    #用字典创建了一个电子表格
    df = pd.dataframe(dic)
    df["contents"].to_excel('htx.xlsx')
 if __name__ == '__main__':
    main()
 

三、总结

爬虫简单来说呢,就三步:

1.发送网络请求,获取资源

2.进行搜索等操作来获取有用信息

3.存储信息

本篇文章就到这里了,希望能够给你带来帮助,也希望您能够多多关注的更多内容!