Python 网络爬虫实战：爬取 B站《全职高手》20万条评论数据(B站,python,网络爬虫,编程语言)

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。

importrequestsdeffetchURL(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(WindowsNT10.0;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/68.0.3440.106Safari/537.36',}try:r=requests.get(url,headers=headers)r.raise_for_status()print(r.url)returnr.textexceptrequests.HTTPErrorase:print(e)print("HTTPError")exceptrequests.RequestExceptionase:print(e)except:print("UnknownError!")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：403ClientError:Forbiddenforurl:https://api.bilibili.com/x/v2/reply?callback=jQuery172020326544171595695_1541502273311&jsonp=jsonp&pn=2&type=1&oid=11357166&sort=0&_=1541502312050HTTPErrorNone

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_1541340948898jsonp=jsonppn=2type=1oid=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__':forpageinrange(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。

importjsonimporttimedefparserHtml(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)foriinrange(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):2018-11-0518:16:22太太又出本了，这次真的木钱了(´；ω；`)like:1replies:0--204186:长夜未央233(女):2018-11-0516:24:5212区打卡like:2replies:0--204185:果然还是人渣一枚(男):2018-11-0513:48:09貌似忘来了好几天like:1replies:1--204183:day可可铃(保密):2018-11-0513:12:38要准备去学校了，万恶的期中考试(´_ゝ｀)like:2replies:0--204182:拾秋以叶(保密):2018-11-0512:04:1911月5日打卡（￣▽￣）like:1replies:0--204181:芝米士哒(女):2018-11-0507:53:43这次是真的错过了一个亿[蛆音娘_扶额]like:2replies: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。

importrequestsimportjsonimporttimedeffetchURL(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(WindowsNT10.0;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/68.0.3440.106Safari/537.36',}try:r=requests.get(url,headers=headers)r.raise_for_status()print(r.url)returnr.textexceptrequests.HTTPErrorase:print(e)print("HTTPError")exceptrequests.RequestExceptionase:print(e)except:print("UnknownError!")defparserHtml(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foriinrange(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)defwritePage(urating):'''Function:Towritethecontentofhtmlintoalocalfilehtml:Theresponsecontentfilename:thelocalfilenametobeusedstoredtheresponse'''importpandasaspddataframe=pd.DataFrame(urating)dataframe.to_csv('Bilibili_comment5-1000条.csv',mode='a',index=False,sep=',',header=False)if__name__=='__main__':forpageinrange(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。ifpage%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。