你會(huì)使用python爬蟲抓取彈幕嗎
前言
時(shí)隔108天，何同學(xué)在B站發(fā)布了最新的視頻，《【何同學(xué)】我用108天開了個(gè)燈…》。那么就讓我們用爬蟲，爬取視頻的彈幕，看看小伙伴們是怎么評價(jià)的吧
一、爬蟲是什么？
百度百科這樣說：自動(dòng)獲取網(wǎng)頁內(nèi)容的程序。在我理解看來，爬蟲就是~~“在網(wǎng)絡(luò)上爬來爬去的…”住口！~~
那么接下來就讓我們看看如何養(yǎng)搬運(yùn)B站彈幕的“蟲”吧
二、飼養(yǎng)步驟
1.請求彈幕
首先，得知道爬取的網(wǎng)站url是什么。對于B站彈幕而言，彈幕所在位置是有固定格式的：
http://comment.bilibili.com/+cid+.xml
ok,那么問題來了，cid是什么呢？不用管是什么，我告訴你怎么獲取。
1.打開視頻后點(diǎn)擊F12,切換到“網(wǎng)絡(luò)”，在篩選器處填入“cid”進(jìn)行篩選。
2.點(diǎn)擊篩選出的網(wǎng)絡(luò)信息，在右端Payload處找到cid
3.到此，我們就知道了何同學(xué)視頻彈幕的網(wǎng)絡(luò)鏈接：
http://comment.bilibili.com/499893135.xml
4.接著就是發(fā)送網(wǎng)絡(luò)請求，獲取網(wǎng)絡(luò)頁面資源。Python有很多發(fā)送網(wǎng)絡(luò)請求的庫。比如：
- urllib庫
- requests庫
我們用reaquests庫演示
發(fā)送請求的代碼如下
（示例）：
#【何同學(xué)】我用108天開了個(gè)燈......視頻的cid：499893135 #彈幕所在地 url = "http://comment.bilibili.com/499893135.xml" #發(fā)送請求 req = requests.get(url = url) #獲取內(nèi)容響應(yīng)的內(nèi)容 html_byte = req.content #將byte轉(zhuǎn)為str html_str = str(html_byte,"utf-8")
還有個(gè)值得提一下的地方是，發(fā)送請求的請求頭可以加上，偽裝自己是瀏覽器訪問?？梢酝ㄟ^header參數(shù)，加上user-agent，獲取方式如下：
那么，代碼就是下面這樣了：
#假裝自己是瀏覽器
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'
}
#【何同學(xué)】我用108天開了個(gè)燈......視頻的cid：499893135
#彈幕所在地
url = "http://comment.bilibili.com/499893135.xml"
#發(fā)送請求
req = requests.get(url = url, headers=header)
#獲取內(nèi)容響應(yīng)的內(nèi)容
html_byte = req.content
#將byte轉(zhuǎn)為str
html_str = str(html_byte,"utf-8")
2.解析彈幕
html_str是html文件的格式，我們需要對其進(jìn)行處理，來獲取我們想要的信息。這個(gè)時(shí)候，BeautifulSoup庫就要閃亮登場了,我們用它來處理得到的html文件
代碼如下（示例）：
#解析
soup = BeautifulSoup(html,'html.parser')
#找到html文件里的<d>標(biāo)簽
results = soup.find_all('d')
#把標(biāo)簽里的文本提取出來
contents = [x.text for x in results]
#存為字典
dic ={"contents" : contents}
contents就是彈幕字符串列表了，存成字典是為了下一步…
3.存儲(chǔ)彈幕
把彈幕信息存儲(chǔ)成excel，也有好多庫可以用。比如：
- xlwt庫
- pandas庫
我們就用pandas庫把
代碼如下（示例）：
把用第二步得到的字典創(chuàng)建dataFrame，然后用pandas庫的一個(gè)API存下就行了
#用字典創(chuàng)建了一個(gè)電子表格
df = pd.DataFrame(dic)
df["contents"].to_excel('htx.xlsx')
4.總代碼
import requests
from bs4 import BeautifulSoup
import pandas as pd
def main():
html = askUrl()
dic =analyse(html)
writeExcel(dic)
def askUrl():
#假裝自己是瀏覽器
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'
}
#【何同學(xué)】我用108天開了個(gè)燈......視頻的cid：499893135
#彈幕所在地
url = "http://comment.bilibili.com/499893135.xml"
req = requests.get(url = url, headers=header)
html_byte = req.content#字節(jié)
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]
#保存結(jié)果
dic ={"contents" : contents}
return dic
def writeExcel(dic):
#用字典創(chuàng)建了一個(gè)電子表格
df = pd.DataFrame(dic)
df["contents"].to_excel('htx.xlsx')
if __name__ == '__main__':
main()
三、總結(jié)
爬蟲簡單來說呢，就三步：
1.發(fā)送網(wǎng)絡(luò)請求，獲取資源
2.進(jìn)行搜索等操作來獲取有用信息
3.存儲(chǔ)信息
本篇文章就到這里了，希望能夠給你帶來幫助，也希望您能夠多多關(guān)注腳本之家的更多內(nèi)容！
相關(guān)文章
這篇文章主要介紹了Python如何從列表中刪除相鄰和不相鄰的相同元素問題,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
這篇文章主要介紹了Python測試框架pytest介紹，Pytest是一個(gè)非常成熟的全功能的python測試框架，有簡單靈活易上手、支持參數(shù)化等優(yōu)點(diǎn)，下面其相關(guān)內(nèi)容需要的小伙伴可以參考一下2022-03-03
Numpy是Python強(qiáng)大的數(shù)學(xué)計(jì)算庫，和Scipy一起構(gòu)建起Python科學(xué)計(jì)算生態(tài)，在本節(jié)下面我們重點(diǎn)介紹下repeat函數(shù)的用法,需要的朋友可以參考下2022-11-11
在python的類中動(dòng)態(tài)添加屬性與生成對象
這篇文章給大家介紹了如何在python的類中動(dòng)態(tài)添加屬性和生成對象，文中通過幾個(gè)方面來進(jìn)行介紹，對這感興趣的朋友們可以學(xué)習(xí)學(xué)習(xí)。2016-09-09
python實(shí)現(xiàn)異步回調(diào)機(jī)制代碼分享
本文介紹了python實(shí)現(xiàn)異步回調(diào)機(jī)制的功能，大家參考使用吧2014-01-01
關(guān)于python中導(dǎo)入文件到list的問題
這篇文章主要介紹了關(guān)于python中導(dǎo)入文件到list的問題,本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-10-10
云原生Docker部署Django和mysql項(xiàng)目全過程
最近在學(xué)習(xí)用docker部署Django項(xiàng)目,經(jīng)過百折不撓的鼓搗,終于將項(xiàng)目部署成功,下面這篇文章主要給大家介紹了關(guān)于云原生Docker部署Django和mysql項(xiàng)目的相關(guān)資料,文中通過圖文介紹的非常詳細(xì),需要的朋友可以參考下2022-12-12
這篇文章主要介紹了Python實(shí)現(xiàn)提前查詢考研成績,本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2023-04-04
Python無參裝飾器的實(shí)現(xiàn)方案及優(yōu)化
裝飾器(Decorators)是 Python 的一個(gè)重要部分,所謂裝飾器就是閉包函數(shù)的一種應(yīng)用場景,這篇文章主要給大家介紹了關(guān)于Python無參裝飾器的相關(guān)資料,需要的朋友可以參考下2021-08-08
今天小編就為大家分享一篇對python字典過濾條件的實(shí)例詳解，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01