python3 爬取B站视频弹幕

作者：阿豪boy

链接：https://my.oschina.net/ahaoboy/blog/1579979

需要准备的环境:

1、一个B站账号,需要先登录,否则不能查看历史弹幕记录

2、联网的电脑和顺手的浏览器,我用的Chrome

3、Python3环境以及request模块,安装使用命令,换源比较快:

pip3 install  request -i http://pypi.douban.com/simple

爬取步骤:

1、登录后打开需要爬取的视频页面,打开开发者工具台,Chrome可以使用F12快捷键,选择network监听请求

2、点击查看历史弹幕,获取请求

3、其中rolldate后面的数字表示该视频对应的弹幕号,返回的数据中timestamp表示弹幕日期,new表示数目

4、在查看历史弹幕中任选一天,查看,会发出新的请求

dmroll ,时间戳,弹幕号,表示获取该日期的弹幕,1507564800 表示2017/10/10 0:0:0

该请求返回xml数据

5、使用正则表达式获取所有弹幕消息,匹配模式

'(.*?)'

6、拼接字符串,将所有弹幕保存到本地文件即可

with open('content.txt', mode='w+', encoding='utf8') as f:
    f.write(content)

7、参考代码如下,将弹幕按照日期保存为单个文件…因为太多了…

import requests
import re
import time

"""
    爬取哔哩哔哩视频弹幕信息
"""

# 2043618 是视频的弹幕标号,这个地址会返回时间列表
# https://www.bilibili.com/video/av1349282
url = 'https://comment.bilibili.com/rolldate,2043618'
# 获取弹幕的id 2043618
video_id = url.split(',')[-1]
print(video_id)
# 获取json文件
html = requests.get(url)
# print(html.json())

# 生成时间戳列表
time_list = [i['timestamp'] for i in html.json()]

# print(time_list)

# 获取弹幕网址格式 'https://comment.bilibili.com/dmroll,时间戳,弹幕号'

# 弹幕内容,由于总弹幕量太大,将每个弹幕文件分别保存
for i in time_list:
    content = ''
    j = 'https://comment.bilibili.com/dmroll,{0},{1}'.format(i, video_id)
    print(j)
    text = requests.get(j).text
    # 匹配弹幕内容
    res = re.findall('(.*?)', text)
    # 将时间戳转化为日期形式,需要把字符串转为整数
    timeArray = time.localtime(int(i))
    date_time = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)
    print(date_time)
    content += date_time + '\n'
    for k in res:



    
        content += k + '\n'
    content += '\n'
    file_path = 'txt/{}.txt'.format(time.strftime("%Y_%m_%d", timeArray))
    print(file_path)
    with open(file_path, mode='w+', encoding='utf8') as f:
        f.write(content)

8、最终效果

之后可以 做一些分词生成词云或者进行情感分析,有时间在说吧….

学习Python和网络爬虫关注公众号：datanami

近期文章：

1. 一个完整的Django入门指南 - 第1部分

2. python定期爬取GitHub上每日流行项目

3. Scrapy: 10分钟写一个爬虫抓取美女图