Python 网络爬虫实战：爬取 B站《全职高手》20万条评论数据

本周我们的目标是：B站（哔哩哔哩弹幕网 https://www.bilibili.com ）视频评论数据。

我们都知道，B站有很多号称“镇站之宝”的视频，拥有着数量极其恐怖的评论和弹幕。所以这次我们的目标就是，爬取B站视频的评论数据，分析其为何会深受大家喜爱。

首先去调研一下，B站评论数量最多的视频是哪一个。。。好在已经有大佬已经统计过了，我们来看一哈！

【B站大数据可视化】B站评论数最多的视频究竟是？来自 < https://www.bilibili.com/video/av34900167/>

嗯？《全职高手》，有点意思，第一集和最后一集分别占据了评论数量排行榜的第二名和第一名，远超了其他很多很火的番。那好，就拿它下手吧，看看它到底强在哪儿。

废话不多说，先去B站看看这部神剧到底有多好看 https://www.bilibili.com/bangumi/play/ep107656

额，需要开通大会员才能观看。。。

好吧，不看就不看，不过好在虽然视频看不了，评论却是可以看的。

感受到它的恐怖了吗？63w6条的评论！9千多页！果然是不同凡响啊。

接下来，我们就开始编写爬虫，爬取这些数据吧。

使用爬虫爬取网页一般分为四个阶段：分析目标网页，获取网页内容，提取关键信息，输出保存。

1. 分析目标网页

首先观察评论区结构，发现评论区为鼠标点击翻页形式，共 9399 页，每一页有 20 条评论，每条评论中包含用户名、评论内容、评论楼层、时间日期、点赞数等信息展示。

接着我们按 F12 召唤出开发者工具，切换到Network。然后用鼠标点击评论翻页，观察这个过程有什么变化，并以此来制定我们的爬取策略。
我们不难发现，整个过程中 URL 不变，说明评论区翻页不是通过 URL 控制。而在每翻一页的时候，网页会向服务器发出这样的请求（请看 Request URL）。

点击 Preview 栏，可以切换到预览页面，也就是说，可以看到这个请求返回的结果是什么。下面是该请求返回的 json 文件，包含了在 replies 里包含了本页的评论数据。在这个 json 文件里，我们可以发现，这里面包含了太多的信息，除了网页上展示的信息，还有很多没展示出来的信息也有，简直是挖到宝了。不过，我们这里用不到，通通忽略掉，只挑我们关注的部分就好了。

2. 获取网页内容

网页内容分析完毕，可以正式写代码爬了。

import requestsdef fetchURL(url):'''功能：访问 url 的网页，获取网页内容并返回参数：url ：目标网页的 url返回：目标网页的 html 内容'''headers = {'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8','user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',}try:r = requests.get(url,headers=headers)r.raise_for_status()print(r.url)return r.textexcept requests.HTTPError as e:print(e)print("HTTPError")except requests.RequestException as e:print(e)except:print("Unknown Error !")if __name__ == '__main__':url = 'https://api.bilibili.com/x/v2/reply?callback=jQuery172020326544171595695_1541502273311&jsonp=jsonp&pn=2&type=1&oid=11357166&sort=0&_=1541502312050'html = fetchURL(url)print(html)

不过，在运行过后，你会发现，403 错误，服务器拒绝了我们的访问。

运行结果：403 Client Error: Forbidden for url: https://api.bilibili.com/x/v2/reply?callback=jQuery172020326544171595695_1541502273311&jsonp=jsonp&pn=2&type=1&oid=11357166&sort=0&_=1541502312050
HTTPError
None

同样的，这个请求放浏览器地址栏里面直接打开，会变403，什么也访问不到。

这是我们本次爬虫遇到的第一个坑。在浏览器中能正常返回响应，但是直接打开请求链接时，却会被服务器拒绝。（我第一反应是 cookie ，将浏览器中的 cookie 放入爬虫的请求头中，重新访问，发现没用），或许这也算是一个小的反爬虫机制吧。

网上查阅资料之后，我找到了解决的方法（虽然不了解原理），原请求的 URL 参数如下：

callback = jQuery1720913511919053787_1541340948898
jsonp = jsonp
pn = 2
type = 1
oid = 11357166&sort=0
_ = 1541341035236

其中，真正有用的参数只有三个：pn（页数），type（=1）和oid（视频id）。删除其余不必要的参数之后，用新整理出的url去访问，成功获取到评论数据。

https://api.bilibili.com/x/v2/reply?type=1&oid=11357166&pn=2

然后，在主函数中，通过写一个 for 循环，通过改变 pn 的值，获取每一页的评论数据。

if __name__ == '__main__':for page in range(0,9400):url = 'https://api.bilibili.com/x/v2/reply?type=1&oid=11357166&pn=' + str(page)html = fetchURL(url)

3. 提取关键信息

通过 json 库对获取到的响应内容进行解析，然后提取我们需要的内容：楼层，用户名，性别，时间，评价，点赞数，回复数。

import json
import timedef parserHtml(html):'''功能：根据参数 html 给定的内存型 HTML 文件，尝试解析其结构，获取所需内容参数：html：类似文件的内存 HTML 文本对象'''s = json.loads(html)for i in range(20):comment = s['data']['replies'][i]# 楼层，用户名，性别，时间，评价，点赞数，回复数floor = comment['floor']username = comment['member']['uname']sex = comment['member']['sex']ctime = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(comment['ctime']))content = comment['content']['message']likes = comment['like']rcounts = comment['rcount']print('--'+str(floor) + ':' + username + '('+sex+')' + ':'+ctime)print(content)print('like : '+ str(likes) + '      ' + 'replies : ' + str(rcounts))print('  ')

部分运行结果如下：--204187:day可可铃(保密):2018-11-05 18:16:22
太太又出本了，这次真的木钱了(´；ω；`)
like : 1      replies : 0--204186:长夜未央233(女):2018-11-05 16:24:52
12区打卡
like : 2      replies : 0--204185:果然还是人渣一枚(男):2018-11-05 13:48:09
貌似忘来了好几天
like : 1      replies : 1--204183:day可可铃(保密):2018-11-05 13:12:38
要准备去学校了，万恶的期中考试( ´_ゝ｀)
like : 2      replies : 0--204182:拾秋以叶(保密):2018-11-05 12:04:19
11月5日打卡（￣▽￣）
like : 1      replies : 0--204181:芝米士哒(女):2018-11-05 07:53:43
这次是真的错过了一个亿[蛆音娘_扶额]
like : 2      replies : 1

4. 保存输出

我们把这些数据以 csv 的格式保存于本地，即完成了本次爬虫的全部任务。下面附上爬虫的全部代码。

import requests
import json
import timedef fetchURL(url):'''功能：访问 url 的网页，获取网页内容并返回参数：url ：目标网页的 url返回：目标网页的 html 内容'''headers = {'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8','user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',}try:r = requests.get(url,headers=headers)r.raise_for_status()print(r.url)return r.textexcept requests.HTTPError as e:print(e)print("HTTPError")except requests.RequestException as e:print(e)except:print("Unknown Error !")def parserHtml(html):'''功能：根据参数 html 给定的内存型 HTML 文件，尝试解析其结构，获取所需内容参数：html：类似文件的内存 HTML 文本对象'''try:s = json.loads(html)except:print('error')commentlist = []hlist = []hlist.append("序号")hlist.append("名字")hlist.append("性别")hlist.append("时间")hlist.append("评论")hlist.append("点赞数")hlist.append("回复数")#commentlist.append(hlist)# 楼层，用户名，性别，时间，评价，点赞数，回复数for i in range(20):comment = s['data']['replies'][i]blist = []floor = comment['floor']username = comment['member']['uname']sex = comment['member']['sex']ctime = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(comment['ctime']))content = comment['content']['message']likes = comment['like']rcounts = comment['rcount']blist.append(floor)blist.append(username)blist.append(sex)blist.append(ctime)blist.append(content)blist.append(likes)blist.append(rcounts)commentlist.append(blist)writePage(commentlist)print('---'*20)def writePage(urating):'''Function : To write the content of html into a local filehtml : The response contentfilename : the local filename to be used stored the response'''import pandas as pddataframe = pd.DataFrame(urating)dataframe.to_csv('Bilibili_comment5-1000条.csv', mode='a', index=False, sep=',', header=False)if __name__ == '__main__':for page in range(0,9400):url = 'https://api.bilibili.com/x/v2/reply?type=1&oid=11357166&pn=' + str(page)html = fetchURL(url)parserHtml(html)# 为了降低被封ip的风险，每爬20页便歇5秒。if page%20 == 0:time.sleep(5)

写在最后

在爬取过程中，还是遇到了很多的小坑的。

1. 请求的 url 不能直接用，需要对参数进行筛选整理后才能访问。

2. 爬取过程其实并不顺利，因为如果爬取期间如果有用户发表评论，则请求返回的响应会为空导致程序出错。所以在实际爬取过程中，记录爬取的位置，以便出错之后从该位置继续爬。（并且，挑选深夜一两点这种发帖人数少的时间段，可以极大程度的减少程序出错的机率）

3. 爬取到的数据有多处不一致，其实这个不算是坑，不过这里还是讲一下，免得产生困惑。

a. 就是评论区楼层只到了20多万，但是评论数量却有63万多条，这个不一致主要是由于B站的评论是可以回复的，回复的评论也会计算到总评论数里。我们这里只爬楼层的评论，而评论的回复则忽略，只统计回复数即可。

b. 评论区楼层在20万条左右，但是我们最后爬取下来的数据只有18万条左右，反复检查爬虫程序及原网站后发现，这个属于正常现象，因为有删评论的情况，评论删除之后，后面的楼层并不会重新排序，而是就这样把删掉的那层空下了。导致楼层数和评论数不一致。

Python 网络爬虫实战：爬取 B站《全职高手》20万条评论数据相关推荐

爬取网易云音乐两万条评论储存在MySQL服务器上
爬取网易云音乐两万条评论储存在MySQL服务器上最近在公司实习,无聊时看看别人的博客,发现平时学习写写博客是一个很好的学习方法,报平时一些自己写的代码保存下来,遇到的错误踩到的坑也拿出来分享也可也帮 ...
Python网络爬虫：爬取并下载个性化签名图片附GUI窗体版
Hello,大家好,我是wangzirui32,最近我开了个新的系列,是"Python网络爬虫"分类,还请大家多多支持! 今天,我们来学习如何爬取并下载个性化签名图片,开始学习吧! ...
Python网络爬虫实战：《跨越星弧》TapTap玩家评论的抓取及分析
先说说背景吧: 之前玩了一段时间的<跨越星弧>,后来太忙了就没玩了,最近突然想起来想看看,发现TapTap评分居然掉到7.7分了其实我觉得这个产品挺好的,玩法.剧情.美术都有可圈可点之处 ...
【爬虫实战】10应用Python网络爬虫——定向爬取百度百科文字
python百度百科爬虫网页源代码分析编程实现小结网页源代码分析首先找一下需要爬取的正文: 对应的源代码有两个地方: 上图往后翻会发现省略号,所以下面这张图才是我们需要爬取的部分: 编程实现 ...
Python网络爬虫之爬取微博热搜
前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 python免费学习资 ...
Python网络爬虫：爬取CSDN热搜数据并保存到本地文件中
hello,大家好,我是wangzirui32,今天我们来学习如何爬取CSDN热搜数据,并保存到Excel表格中. 开始学习吧! 学习目录 1. 数据包抓取 2. 编写代码 1. 数据包抓取打开CS ...
CrawlScript语言轻松实现网络爬虫——轻松爬取整站信息
CrawlScript语言在beta0.3版本中集成了整站爬虫的功能,只需要简单几句,就可以完成对整站的爬取. 首先下载CrawlScript beta 0.3: CrawlScript beta 0 ...
Python网络爬虫：爬取豆瓣上《小王子》书评
本文为南大<用Python玩转数据>学习笔记用到的库或模块: 1.Requests第三方库用于中小型网络爬虫的信息抓取. 基本方法: requests.get() 请求获取指定YRL位 ...
Python网络爬虫5 - 爬取QQ空间相册
自毕业后,就再也没有用过QQ,QQ空间里记录的是些并不精彩的青葱岁月,但好歹也是份回忆,近日想着学以致用,用Python把QQ空间相册的所有照片爬取下来,以作备份. 分析QQ空间登录QQ空间爬取第 ...

Python 网络爬虫实战：爬取 B站《全职高手》20万条评论数据

写在最后

Python 网络爬虫实战：爬取 B站《全职高手》20万条评论数据相关推荐

最新文章

热门文章