Python爬虫：B站弹幕采集

最近B站新番“咒术回战”挺火的，正好现在有点时间，想把弹幕给爬下来，之后有时间分析一下看看弹幕上大家都在讨论些什么话题。

页面分析

让我们先来看看页面结构。

既然不是直接显示在界面上，使用常规的 requests 获取的页面数据肯定是行不通的。这时，我们自然想到使用 selenium 来获取动态加载完成后的页面数据，在完成页面获取之前我们也可以通过点击，或者下拉滚动条的方式，来使我们获取的数据更加完整。我们先展开弹幕列表同时对照页面源码来观察源码的变化情况。

展开弹幕，当我们向下滑动时，之前出现浏览过的弹幕别没有保留在页面源码 li 标签中，源码中只显示固定长度的弹幕，这样的话使用 selenium 模拟滑动，即使滑倒弹幕最底端，上面的数据在获取页面数据时还是获取不到。

无奈我们只能换一条思路，无法获取页面中加载出来的弹幕，我们可以通过接口获取每日历史弹幕。点击查看历史弹幕，选择日期后，通过抓包工具可找到一个 name 为 history 的数据包。

我们对 Request Url 发起请求即可获取历史弹幕。数据类型为 xml ，内容如下。

由于在登录后才可以查看历史弹幕，那么我们发起请求时 cookie 也需要添加到 headers 中。思路有了，开始敲代码！

代码设计

获取url列表

Request URL: https://api.bilibili.com/x/v2/dm/history?type=1&oid=241263497&date=2020-12-04
Request URL: https://api.bilibili.com/x/v2/dm/history?type=1&oid=241263497&date=2020-12-05

通过对比请求的 url ，不难发现只有日期是改变的， type 应该是弹幕的类型，oid 为番剧集数的 id ，每一集的 oid 都是不同的。那么我们只需更改 date 的值即可获取 url 列表了。

def get_url_list():
    url_list = []
    # url模板
    url = 'https://api.bilibili.com/x/v2/dm/history?type=1&oid=241263497&date=%s'
    # 获取当前日期与开播日期间隔的天数
    interval_days = (datetime.now() - datetime(2020, 10, 3)).days
    for interval in range(interval_days, -1, -1):
        # 获取当前时间减去间隔得到的时间
        time = (datetime.now() - timedelta(days=interval)).strftime('%Y-%m-%d')
        # 将格式化的url添加到字符串中
        url_list.append(url%time)
    return url_list

获取响应数据

这里我们使用协程实现异步请求，若使用基于同步的 requests 请求库，效率就相差很多了。为确保获取完整数据以及防止 ip 访问频率过高，在请求时除了添加 headers ，我还使用了代理 ip 来提高爬取的稳定性。
在请求过程中，如果发现数据不对劲，那么极有可能是请求被拦截，你不妨打印一下获取的响应数据。图中所示的响应数据即为请求被拦截。

在爬取时为防止请求被拦截（被识别出是爬虫），添加一个判断条件，当响应码不是 200 时，更换 ip 继续请求，直至成功获得响应数据。当然代理 ip 也有可能请求超时，这时就需要通过捕获异常，更换 ip 继续请求。代码如下。

async def get_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
        'cookie': "finger=158939783; buvid3=942BBE8D-D7FB-4454-A483-E1C11686D57E155804infoc; LIVE_BUVID=AUTO2615719148192115; stardustvideo=1; rpdid=|(k|lmJ|RR~u0J'ul~umuR)ku; im_notify_type_406471840=0; CURRENT_FNVAL=80; CURRENT_QUALITY=112; _uuid=49B9C403-6E0C-AEED-F106-EB07E720DA8E77792infoc; blackside_state=0; fingerprint3=1cdc68f9c484657ac6a71df190afb556; sid=arefm2nd; fingerprint=8b41e39ee276d01b2ed70f677e090d9b; buivd_fp=942BBE8D-D7FB-4454-A483-E1C11686D57E155804infoc; fingerprint_s=2cba7720f0fa69a142e39118d29b55b5; bp_article_offset_406471840=474805593736841983; bp_t_offset_406471840=474850961478201127; PVID=1; buvid_fp=942BBE8D-D7FB-4454-A483-E1C11686D57E155804infoc; buvid_fp_plain=6406A16C-F786-4F63-B253-FE49CA5CAEA6143077infoc; bfe_id=fdfaf33a01b88dd4692ca80f00c2de7f; DedeUserID=406471840; DedeUserID__ckMd5=b61a313dfd873915; SESSDATA=9a671851%2C1625047384%2C542f9*11; bili_jct=475eaa698b53f2bc408cb650b2e0aaeb; bp_video_offset_406471840=475267392923742025"
    }
    async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False), trust_env=True) as session:
        while True:
            try:
                async with session.get(url=url, proxy='http://' + choice(proxy_list), headers=headers, timeout=8) as response:
                    # 更改相应数据的编码格式
                    response.encoding = 'utf-8'
                    # 遇到IO请求挂起当前任务，等IO操作完成执行之后的代码，当协程挂起时，事件循环可以去执行其他任务。
                    page_text = await response.text()
                    # 未成功获取数据时，更换ip继续请求
                    if response.status != 200:
                        continue
                    print(f"{url.split('=')[-1]}爬取完成!")
                    break
            except:
                # 捕获异常，继续请求
                continue
    return save_to_csv(page_text)

数据保存

获取了响应数据，我们通过正则提取出我们需要的部分进行保存即可。这里，为了方便之后数据分析，我将提取的数据保存到 DataFrame ，简单的处理后保存为 csv 文件。代码如下。

def save_to_csv(page_text):
    # 正则获取相关弹幕信息
    other_data = re.findall('<d p="(.*?)">', page_text)
    comment = re.findall('<d p=".*?">(.*?)</d>', page_text)

    # 创建dataframe保存数据
    df = pd.DataFrame(columns=['other_data', 'date', 'comment'])

    df['other_data'] = other_data
    df['comment'] = comment
    df['date'] = df['other_data'].str.split(',').str[4]
    df['date'] = pd.to_datetime(df['date'], unit='s')

    df.to_csv(r'C:\Users\pc\Desktop\bilibili.csv', index=False, mode='a')
    print('成功保存：' + str(len(df)) + '条')

结果截图：

bilibili.csv 文件

---

总结
由于中途请求多次被拦截，代理 ip 也更换了很多次，同时 ip 的响应速度有点慢（自己网上爬的代理），整个爬取时间还是有点长，但相比于 requests 肯定还是要快很多的。

---