Python如何爬取到B站的弹幕
这篇文章主要介绍了Python如何爬取到B站的弹幕，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
我们提供的服务有：成都网站建设、网站建设、微信公众号开发、网站优化、网站认证、新区ssl等。为成百上千家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的新区网站制作公司
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。
前言
想必小破站大家都很熟悉叭，里面充满了各种神奇的视频，其中的「弹幕」成为了许多人的快乐源泉。关于它的爬虫也有很多，但大部分都受限于弹幕池的数量，只能爬取到其中很少一部分的弹幕。
那么，有没有办法可以爬取到B站更多的弹幕呢？
一、弹幕抓取（有数量限制）
首先，我们需要找到B站视频弹幕的接口，通过浏览器的F12调试工具抓包可以发现，其接口为：
https://api.bilibili.com/x/v1/dm/list.so?oid={oid/cid}其实，除了这个接口之外，还有另外一个接口同样是可以获取到弹幕的：
https://comment.bilibili.com/{oid/cid}.xml其中「oid」和「cid」是iB站给每个视频分配的一个id号，但是通常我们在浏览器地址看到的是「bvid」，因此需要做个转换：
这里相关的接口有很多，可以定义如下函数：
def get_cid(bvid): ''' 通过视频的bvid获得视频的cid 输入：视频的bvid 输出：视频的cid ''' url = 'https://api.bilibili.com/x/player/pagelist?bvid=%s&jsonp=jsonp'%bvid res = requests.get(url) data = res.json() return data['data'][0]['cid']
有了「cid」之后，我们便可以通过刚才发现的弹幕接口爬取弹幕了，代码如下：
oid = get_cid(bvid) # 这里的cid和oid是一样的 url = 'https://api.bilibili.com/x/v1/dm/list.so?oid=%d'%oid res = requests.get(url) res.encoding = 'utf-8' text = res.text
注意:这里需要指定res的编码方式为utf-8，否则会出现乱码现象。
我们得到的请求为一个xml文件，其格式大致如下：
那么，利用正则可以它们都提前出来：
def parse_dm(text):
'''
解析视频弹幕
输入：视频弹幕的原数据
输出：弹幕的解析结果
'''
result = [] # 用于存储解析结果
data = re.findall('(.*?)',text)
for d in data:
item = {} # 每条弹幕数据
dm = d[0].split(',') # 弹幕的相关详细，如出现时间，用户等
item['出现时间'] = float(dm[0])
item['模式'] = int(dm[1])
item['字号'] = int(dm[2])
item['颜色'] = int(dm[3])
item['评论时间'] = time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(int(dm[4])))
item['弹幕池'] = int(dm[5])
item['用户ID'] = dm[6] # 并非真实用户ID，而是CRC32检验后的十六进制结果
item['rowID'] = dm[7] # 弹幕在数据库中的ID，用于“历史弹幕”功能
item['弹幕内容'] = d[1]
result.append(item)
return result 通过解析requests的请求，便能得到相应的弹幕：
dms = parse_dm(text) # 解析弹幕
但是，这里受到弹幕池的限制，每次只能抓取一小部分，当弹幕数量很多时，显然这个办法行不通。
那么，我们得另寻它路了~
二、弹幕抓取（无数量限制）
通过分析，我们可以找到另外一个接口，用于获取每天的弹幕历史数据：
https://api.bilibili.com/x/v2/dm/history?type=1&oid={oid/cid}&date=xx-xx「date」为日期，通过遍历日期便可获得更多的弹幕。需要注意的是，这个接口需要登陆，因此在请求的时候必须得加入cookies，可以定义如下函数：
def get_history(bvid,date):
'''
获取视频历史弹幕
输入：视频bvid,日期
输出：视频某一日期开始的弹幕
'''
oid = get_cid(bvid)
url = 'https://api.bilibili.com/x/v2/dm/history?type=1&oid=%d&date=%s'%(oid,date)
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:82.0) Gecko/20100101 Firefox/82.0',
'Accept': '*/*',
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Origin': 'https://www.bilibili.com',
'Connection': 'keep-alive',
'Referer': 'https://www.bilibili.com/video/BV1k54y1U79J',
'TE': 'Trailers'}
# 此接口需要登陆，因此需要cookies
cookies = {}
res = requests.get(url,headers=headers,cookies=cookies)
res.encoding = 'utf-8'
text = res.text
dms = parse_dm(text) # 解析弹幕
return dms想要获得更多的弹幕，遍历每一天的弹幕数据即可，但是这样存在两个问题：「效率太低」、「数据重复」。因为，每次获取通常可以得到跨越几天的数据，所以我们无需每天都去访问，而是根据结果逐步往前推即可：
def get_dms(bvid):
'''
获取视频弹幕（此方法获取的弹幕数量更多）
输入：视频的bvid
输出：视频的弹幕
'''
print('视频解析中...')
info = get_info(bvid)
print('视频解析完成!')
print('【视频标题】： %s\n【视频播放量】：%d\n【弹幕数量】： %d\n【上传日期】： %s'%(info[0],info[1],info[2],info[3]))
dms = get_dm(bvid) # 存储弹幕
if len(dms) >= info[2]: # 如果弹幕数量已抓满
return dms
else:
dms = []
date = time.strftime('%Y-%m-%d',time.localtime(time.time())) # 从今天开始
while True:
dm = get_history(bvid,date)
dms.extend(dm)
print('"%s"弹幕爬取完成!(%d条)'%(date,len(dm)))
if len(dm) == 0: # 如果为空
break
end = dm[-1]['评论时间'].split()[0] # 取最后一条弹幕的日期
if end == date: # 如果最后一条仍为当天，则往下推一天
end = (datetime.datetime.strptime(end,'%Y-%m-%d')-datetime.timedelta(days=1)).strftime('%Y-%m-%d')
if end == info[3]: # 如果已经到达上传那天
break
else:
date = end
dm = get_history(bvid,info[3]) # 避免忽略上传那天的部分数据
dms.extend(dm)
print('弹幕爬取完成!(共%d条)'%len(dms))
print('数据去重中...')
dms = del_repeat(dms,'rowID') # 按rowID给弹幕去重
print('数据去重完成!(共%d条)'%len(dms))
return dms运行主函数：
if __name__ == '__main__':
dms = get_dms('BV1HJ411L7DP')
dms = pd.DataFrame(dms)
dms.to_csv('一路向北.csv',index=False)爬取过程如下：
感谢你能够认真阅读完这篇文章，希望小编分享的“Python如何爬取到B站的弹幕”这篇文章对大家有帮助，同时也希望大家多多支持创新互联，关注创新互联行业资讯频道，更多相关知识等着你来学习!
文章标题：Python如何爬取到B站的弹幕
分享网址：http://6mz.cn/article/pjesos.html