你会使用python爬虫抓取弹幕吗

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。

2.点击筛选出的网络信息，在右端Payload处找到cid

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：

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&hellip;

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脚本之家的更多内容！

来源：https://blog.csdn.net/qq_48169012/article/details/122813998