(一)实现思路

1，定位弹幕文件

一般用json或xml格式来保存弹幕，所以我们只要找到视频网页里面的xml文件或json文件，就能定位到弹幕文件。

2，解析弹幕文件

然后通过jsoup解析文件，提取我们弹幕的文本内容。

(二)第一个实现方案，解析本地文件

1，定位弹幕文件

比如我们希望爬取下方视频的弹幕文件。

打开Chrome的Network后刷新网页，再输入框中输入xml筛选出xml文件资源：

光标移动到该文件上，可以看到该文件具体地址如下：

在该文件上右键Open in new tab就可以在新的浏览器页面查看该弹幕文件内容：

2，解析弹幕文件

2.1 创建基本的maven项目

输入GroupId和ArtifactId

本项目中会使用到jsoup这个jar包，于是在项目根目录下创建lib目标，把jar拷贝进去，然后按下面操作将jar包构建到项目中：

选中该jar并点击OK。

2.2 在项目根目录下创建弹幕文件

在根目录下创建3232417.xml文件，复制https://comment.bilibili.com/3232417.xml弹幕页面的内容，保存到该文件中。直接全选复制过去即可，我们后面解析文件的时候只会提取有用的文本，所以第一行内容不用去除，如下：

2.3 代码实现

解析本地弹幕xml文件的代码如下：

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

import java.io.File;

import java.util.ArrayList;

/**

* Created by shuhu on 2018/1/20.

*/

public class LocalFile {

public static ArrayList getData(String fileName){

ArrayList list = new ArrayList();

try{

File input = new File(fileName);

Document doc = Jsoup.parse(input, "UTF-8");

//每条弹幕的内容都处于标签中，于是根据该标签找到所有弹幕

Elements contents = doc.getElementsByTag("d");

for (Element content : contents) {

list.add(content.text()); //将标签中的文本内容，也就是弹幕内容，添加到list中

}

} catch (Exception e) {

e.printStackTrace();

}

return list;

}

}

复制代码

在入口类Main.java中调用LocalFile类的getData方法，传入参数为xml文件名，解析每条弹幕并输出：

import java.util.ArrayList;

/**

* Created by shuhu on 2018/1/20.

*/

public class Main {

public static void main(String[] args){

ArrayList items = new ArrayList();

//1，通过解析本地文件的方式得到所有弹幕

items = LocalFile.getData("3232417.xml");

//遍历输出每条弹幕

for (String item : items) {

System.out.println(item);

}

}

}

复制代码

输出结果如下：

(三)第二个实现方案，解析远程服务器文件

1，添加httpclient依赖

由于需要访问远程服务器，所以用到了相关的依赖，该依赖提供了对http服务器的访问功能。在pom.xml文件中添加：

org.apache.httpcomponents

httpclient

4.3.3

复制代码

2，实现代码

import org.apache.http.HttpEntity;

import org.apache.http.client.methods.CloseableHttpResponse;

import org.apache.http.client.methods.HttpGet;

import org.apache.http.impl.client.CloseableHttpClient;

import org.apache.http.impl.client.HttpClients;

import org.apache.http.util.EntityUtils;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

import java.util.ArrayList;

/**

* Created by shuhu on 2018/1/20.

*/

public class RemoteFile {

public static ArrayList getData(String fileName) throws IOException {

ArrayList list = new ArrayList();

//1，创建HttpClient对象,我们使用到Apache中的HttpClient的实例CloseableHttpClient

CloseableHttpClient httpclient = HttpClients.createDefault();

//2，创建HttpGet请求实例，该实例指示向目标URL发起GET请求

HttpGet httpGet = new HttpGet(fileName);

//3，执行HttpGet请求实例，也就是发起GET请求，响应结果保存到httpResponse变量中

CloseableHttpResponse httpResponse = httpclient.execute(httpGet);

try {

//4，得到弹幕文件的文件内容

HttpEntity httpEntity = httpResponse.getEntity();

String httpHtml = EntityUtils.toString(httpEntity);

//5，解析弹幕文件，把每条弹幕放入list中

Document doc = Jsoup.parse(httpHtml, "UTF-8");

Elements contents = doc.getElementsByTag("d");

for (Element content : contents) {

list.add(content.text()); //将标签中的文本内容，也就是弹幕内容，添加到list中

}

} catch (Exception e) {

e.printStackTrace();

} finally {

httpResponse.close();

}

return list;

}

}

复制代码CloseableHttpResponse httpResponse = httpclient.execute(httpGet);执行完GET请求后，响应结果存放在httpResponse中。response.getEntity()是响应结果中的消息实体，因为响应结果中还包含其他内容比如Headers等如下图，这里我们只需要关注getEntity()消息实体即可。

EntityUtils.toString(response.getEntity());返回的是服务端以流的形式写出的响应内容，比如在服务端调用的方法最后为：responseWriter.write("just do it");那么EntityUtils.toString(response.getEntity());获取的就是just do it 这句话。

这里可以简单理解为网页的html代码，即右键查看网页源代码看到的全部html代码。我们需要解析的就是这样的html代码。

在入口类Main.java中调用RemoteFile类的getData方法，传入参数为xml文件名，解析每条弹幕并输出：

import java.util.ArrayList;

/**

* Created by shuhu on 2018/1/20.

*/

public class Main {

public static void main(String[] args){

ArrayList items = new ArrayList();

//1，通过解析本地文件的方式得到所有弹幕

// items = LocalFile.getData("3232417.xml");

//2，通过解析远程服务器文件的方式得到所有弹幕

items = RemoteFile.getData("https://comment.bilibili.com/3232417.xml");

//遍历输出每条弹幕

for (String item : items) {

System.out.println(item);

}

}

}

复制代码

输出结果如下：

项目代码