Python爬虫实例：爬取B站《工作细胞》短评——异步加载信息的爬取

《工作细胞》最近比较火，bilibili 上目前的短评已经有17000多条。

先看分析下页面

 

右边 li 标签中的就是短评信息，一共20条。一般我们加载大量数据的时候，都会做分页，但是这个页面没有，只有一个滚动条。

随着滚动条往下拉，信息自动加载了，如下图，变40条了。由此可见，短评是通过异步加载的。

 我们不可能一次性将滚动条拉到最下面，然后来一次性获取全部的数据。既然知道是通过异步来加载的数据，那么我们可以想办法直接去获取这些异步的数据。

打开 network 查看分析 http 请求，可以点击 xhr 过滤掉 img、css、js 等信息。这时我们发现了一些 fetch。fetch 我对它的了解就是一个比 ajax 更高级更好用的 api，当然这肯定是不准确的，但并并不影响我们的爬虫。

我们可以看到，其中返回的就是我们需要的内容，json 格式，一共20条，total 属性就是总的数目。分析一下 url 地址：https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0&cursor=76729594906127

media_id 想必就是《工作细胞》的 id 了；

folded 不知道是啥，可以不管；

page_size 是每页的条数；

sort 排序，看名字就知道，找到排序的选项，试了下，果然是的，默认0，最新1；

 

cursor，字面意思的光标，猜测应该是指示本次获取开始的位置的，展开获取到的 json，发现其中包含有 cursor 属性，对比以后可以发现，url中的值跟上一次返回结果中的最后一条中的 cursor 的值是一致的。

好了，至此，页面已经分析清楚了，爬取的方式也明显了，根本不用管网页，直接根据 fetch 的地址获取 json 数据就可以了，连网页解析都省了，超级的方便。

下面的完整的代码：（如果 fake_useragent 报错，就手动写个 user-agent 吧，那个库极度的不稳定）

 

import csv
import os
import time
import requests
from fake_useragent import useragent

curcount = 0


def main():
    url = 'https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0'
    crawling(url)


def crawling(url):
    print(f'正在爬取：{url}')
    global curcount
    headers = {"user-agent": useragent(verify_ssl=false).random}
    json_content = requests.get(url, headers).json()
    total = json_content['result']['total']
    infolist = []
    for item in json_content['result']['list']:
        info = {
            'author': item['author']['uname'],
            'content': item['content'],
            'ctime': time.strftime('%y-%m-%d %h:%m:%s', time.localtime(item['ctime'])),
            'likes': item['likes'],
            'disliked': item['disliked'],
            'score': item['user_rating']['score']
        }
        infolist.append(info)
    savefile(infolist)

    curcount += len(infolist)
    print(f'当前进度{curcount}/{total}')
    if curcount >= total:
        print('爬取完毕。')
        return

    nexturl = f'https://bangumi.bilibili.com/review/web_api/short/list?' \
              f'media_id=102392&folded=0&page_size=20&sort=0&cursor={json_content["result"]["list"][-1]["cursor"]}'
    time.sleep(1)
    crawling(nexturl)


def savefile(infos):
    with open('workingcell.csv', 'a', encoding='utf-8') as sw:
        fieldnames = ['author', 'content', 'ctime', 'likes', 'disliked', 'score']
        writer = csv.dictwriter(sw, fieldnames=fieldnames)
        writer.writerows(infos)


if __name__ == '__main__':
    if os.path.exists('workingcell.csv'):
        os.remove('workingcell.csv')
    main()