Python爬取B站弹幕方法介绍

前言

最近同学要做东西，需要用 B 站的视频对应的弹幕数据做分析，于是请我帮忙爬取 B 站视频的弹幕数据。

对于爬虫而言，我们需要找到对应数据所在的接口，找到接口，就可以找到对应的数据。这个时候我们只需要简单的调用 Python 库进行爬取，输出到文件即可。

目前针对 B 站弹幕爬取有两种方法

• 方法一，找到接口数据，编码爬取
• 方法二，找到 BV号，调用API

这篇博客分别对两种方法进行了整合介绍，并给出了详细的操作流程。

寻找弹幕数据

其实 B 站是提供了弹幕接口的，B站把视频对应的弹幕数据全部放在 xml 文件中，获取的接口是

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

两个接口目前都是可以正常使用的，第一个接口是老版本，第二个接口是新版本。

这里以视频“刺客伍六七”为例子来演示，获取视频对应的 cid，使用的是谷歌浏览器。

• 第一步，到 B站打开对应视频，比如“刺客伍六七”，进入视频播放页面（先不要点击播放）

• 第二步，按 F12 键，打开浏览器的控制台，转到 NetWork 部分

• 第三步，点击播放，注意观察 NetWork 下面加载的文件，当看到名为 heartbeat 的 xhr 文件时，点击暂停。

heartbeat 的里面记录了该视频的一些特有信息，比如 aid、cid、BVid 等等。一个的视频特有信息都是固定的，比如一个视频只有一个 cid。

• 第四步，点击任意一个 heartbeat 文件，在 Headers 标签页中往下翻，就可以找到 cid 了。

可以看到，刺客伍六七第一集的 cid 为 47506569。

• 第五步，将 cid 与对应的接口进行拼接，输入在浏览器的地址栏进行查看

这一步是为了熟悉对应弹幕数据的网页结构，方便之后的编码工作进行数据的提取。如果使用熟练的话则可以跳过此步。

编写爬虫

既然我们已经可以找到了弹幕数据所在的的地方，直接进行爬取即可。大致可以分为以下几步：

1. 获取整个页面
2. 提取弹幕数据
3. 简单的数据预处理
4. 输出到文件

爬虫编写完成后，每次我们只需要修改文件名和 cid 就可以继续爬取弹幕数据保存到文件中了。

import requests
from bs4 import BeautifulSoup
import pandas as pd
import re

# 弹幕保存文件
file_name = '刺客伍六七第一集.csv'

# 获取页面
cid = 47506569
url = "https://comment.bilibili.com/" + str(cid) + ".xml"
headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
    }
request = requests.get(url=url, headers=headers)
request.encoding = 'utf-8'

# 提取弹幕
soup = BeautifulSoup(request.text, 'lxml')
results = soup.find_all('d')

# 数据处理
data = [data.text for data in results]
# 正则去掉多余的空格和换行
for i in data:
    i = re.sub('\s+', '', i)

# 查看数量
print("弹幕数量为：{}".format(len(data)))

# 输出到文件
df = pd.DataFrame(data)
df.to_csv(file_name, index=False, header=None, encoding="utf_8_sig")
print("写入文件成功")

代码说明：

1. B站目前还没有针对爬虫设置特别的反爬措施，因此可以直接爬取
2. 弹幕数据绝大部分都是中文，一定要使用 utf-8 编码
3. xml 文件中弹幕数据都在 d 标签内，使用 BeautifulSoup 来提取所有的 d 标签，再获取标签内的数据
4. 弹幕数据可能会有多余的空格和换行，使用正则表达式进行处理
5. 使用 Dataframe 将数据输出到 csv 文件中。参数 index=False 不将索引序列保存到文本、header=None 不保存列名。

爬虫写入文件的结果如下图：

B站弹幕数量

这里不得不提一下 B 站的弹幕数量规则：

B站的弹幕池是有上限的，弹幕的具体数量和视频的长度有所联系。一般来讲，一部十分钟内的视频弹幕数量上限为 1000，一部25分钟的视频为 3000，40分钟左右的为 6000，时间更长的话会破万。

如果大家发的弹幕数量太多了，超过弹幕池的数量上限怎么办？

B 站的做法是按照时间顺序用将以前的弹幕剔除掉，然后放入新的弹幕，这样就将该视频的弹幕数量始终维持在一个等级上，而且用户看到的还是最新的弹幕。

比如这里，“刺客伍六七”第一集的时长是16分半，弹幕数量 3000。

新技术介绍

今年，也就是 2020 年，B站某位大佬在 github 上分享了自己的开源项目，也就是 bilibili 的 API 调用库。

GitHub 地址为：https://github.com/Passkou/bilibili_api

通过这个 API 调用模块，可以实现获取视频的评论、弹幕、播放量等信息，还可以实现投币、点赞、发送弹幕等一系列的用户功能。

比起我们上面所介绍的方式，用这个 API 来获取视频的弹幕就更为简单了。我们只需要传入视频的 BVid，调用弹幕 API 即可获取该视频的弹幕。

Bvid 的获取和 cid 同理

from bilibili_api import video
import re
import pandas as pd

# BVid、fileName
BVid = "BV1oW41157Na"
file_name = '刺客伍六七第一集.csv'

# 获取弹幕
my_video = video.VideoInfo(bvid=BVid)
danmu = my_video.get_danmaku()

# 数据处理
data = [data.text for data in danmu]
for i in data:
    i = re.sub('\s+', '', i)

# 查看数量
print("弹幕数量为：{}".format(len(data)))

# 输出到文件
df = pd.DataFrame(data)
df.to_csv(file_name, index=False, header=None, encoding="utf_8_sig")
print("写入文件成功")

参考文章

python爬虫：bilibili弹幕爬取

bilibili弹幕获取api

pandas-DataFrame格式化保存到txt

bilibili 弹幕会被限制数量吗

bilibili-API