最近各大高校纷纷翻拍 Coincidence 抖肩舞，公众号【怎敢请君侧耳听】原创文章：what a CoincidAnce! （作者：鹿门趁哥儿食姜者）对这种流行现象进行数据分析。数据分析首先需要有数据，本文介绍了爬取 B 站相应视频的评论、弹幕、播放量、点赞数等数据的方法。爬虫有多种实现方法，大型的网络爬虫多基于成熟的爬虫框架（如：Scrapy 等）进行编写，代码量相对较大，且需要处理动态网页解析、应对反爬机制等，挑战较大。但如仅需爬取特定的网页数据，不要求动态更新，可以结合网页本身的特点，基于Requests请求和正则表达式即可快速获取需要的数据。本文以获取【中国人民大学抖肩舞】评论和监测数据为例，介绍基于 API 解析的数据爬取方法。
实验环境：chrome、python
一、实验原理介绍
首先简要介绍一下数据爬取的基本原理，浏览器打开一个网站，实际上是一个和网站服务器交互的过程，交互过程简要介绍如下:
- 浏览器从 URL 中获取 IP地址 和给定的端口号（HTTP 协议默认为端口 80，HTTPS 默认为端口 443），打开 TCP 连接，浏览器 和 服务器 建立连接；
- 浏览器向服务器发送 HTTP / HTTPS 请求，请求 URL 相应的页面 ；
- 服务器接收请求并查找相应 HTML 页面。 如果页面存在，服务器 响应请求并将其发送回浏览器。 如服务器找不到请求的页面，将发送一个 HTTP 404 错误消息，代表找不到页面；
- 浏览器接收到 HTML 页面，然后通过它从上到下解析寻找列出的其他资源，如图像，CSS 文件，JavaScript 文件等；
- 对于列出的每个资源，浏览器重复上述整个过程，向服务器发送 HTTP 请求；
- 浏览器完成加载 HTML 页面中列出的所有其他资源后，页面将最终加载到浏览器窗口中，且连接将被关闭。
待爬取的数据分为两种，一种是静态网页数据，这种数据隐藏在第 3 步请求得到的 HTML 中，我们只需通过 xpath、正则表达式等解析 HTML 网页抽取目标数据即可（注：静态网页数据可以通过鼠标右键 “显示网页源代码” ，如果在源代码里面找到目标数据，则为静态网页数据；如果未找到，则为动态网页数据）；另外一种是动态网页数据，这种数据浏览器通过第 4 步解析需要的数据后，在第 5 步向服务器进行请求获取数据，这种请求大都被设计为 API（ Application Programming Interface,应用程序编程接口 ）供前端网页调用，动态网页数据获取可以采用多种方式解决，本文介绍的解析 API 模拟请求是其中一种。
我们想要获取的评论数据通过 B 站 主页即可得到，但是对于监测数据，由于 B 站只显示当前的播放量、点赞量等，无法获取历史数据，历史数据的获取需要每天爬取并存入数据库中，幸好找到记录历史数据的第三方网站：BiliOB观测者，可以通过该网站获取历史数据，监测和评论数据介绍如下：
- B 站视频监测数据获取：BiliOB观测者 是一个观测记录 B 站 UP主、视频历史数据的网站，可用于分析相关视频的历史数据，该网站数据为动态网页数据。
- B 站视频评论数据获取：评论数据在 B 站视频主页下方，评论数据也是动态网页数据。
本文待爬取的监测和评论数据均为动态网页数据，浏览器对于动态网页数据是通过 API 向服务器请求得到，我们是否可以使用 python 模拟请求获取我们想要的数据呢？答案是肯定的，这就是本文爬取数据的原理，第一步分析网页的 API 请求格式，第二步使用 python 利用同样的格式向服务器请求获取目标数据并保存下来即可。
二、分析目标网页
使用 chrome 浏览器进入 BiliOB观测者 网站，人大抖肩舞监测链接为：https://www.biliob.com/author/11746163/video/75694361，进入该页面之后,按 F12 进行 Chrome 浏览器的控制台，点击 Network，刷新监测网页加载过程，可以通过在 Filter 中输入 “api” 进行过滤，我们可以找到该网页发给向服务器 API 请求，如下图所示：
上图中红框中即为请求目标数据的 API，在浏览器中输入该 API 请求，可以得到 Json 格式的目标数据，这里面包含了本视频的历史观测数据，如下图所示：
至此，我们得到视频监测历史数据的 API，调用该 API 得到 Json 格式的目标数据，解析即可得到我们需要的数据，为了获取不同视频的监测数据，更换末尾的视频 ID 即可。
数据监测 API：https://www.biliob.com/api/video/ 75694361
接下来我们使用同样的方式进入 B 站【中国人民大学抖肩舞】的主页（https://www.bilibili.com/video/av75694361），找到视频评论所在区域，按 F12 进入 chrome 控制台，点击 Network ，刷新页面，可以看到所以的资源加载，由于该页面资源加载过多，难以定位目标 API ，可以在加载完成之后清除所以加载记录，然后点击网页中评论页面，仅重新加载评论区，即可定位的加载评论数据的 API，如图所示：
可以看到，评论区数据获取的 API 较为复杂，API 请求为 https://api.bilibili.com/x/v2/reply ，后面的为 API 请求所带参数，完整的 API 请求如下所示：
https://api.bilibili.com/x/v2/reply?callback=jQuery172049692102912772707_1574524447296&jsonp=jsonp&pn=2&type=1&oid=75694361&sort=0&_=1574530129407
容易知道部分参数的含义，pn 表示评论的页数、oid 表示视频的 ID，sort 表示评论的排序规则（ 0 为按时间、2为按热度 ），其他参数意义不明，尝试仅使用已知含义的参数调用 API ，看能否成功获取数据，尝试成功，返回 Json 格式的数据，如图所示：
经过尝试，我们得到成功调用 API 获取评论数据的最少参数格式为：pn、type、oid，以 Json 格式返回该页面的评论的数据。更改这几个参数的值即可获取相应视频对于页面的评论。
视频评论API：https://api.bilibili.com/x/v2/reply?pn=1&type=1&oid=75694361
得到返回的 Json 文件后，使用 Ctrl + F（Mac 使用 Command + F），发现 “content”:{“message”:” 后面即为相应的评论文本，可以通过正则表达式方便抽取评论文本。
三、编写爬虫代码
第二节的分析，已经分析完爬虫解析数据的逻辑，爬取评论数据只需要循环更改 pn 的值，使用 requests 请求即可得到 Json 格式的目标数据，然后使用正则表达式抽取评论文本即可，有一点需要注意，代码中使用 time.sleep(0.5) 在每次请求前休眠 0.5 秒，避免访问频率过高，导致被服务器禁掉本 IP 的请求，爬取得到数据后，保存到本地文件中。代码如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 |
import os import re import requests import math import json import time import pandas as pd schools = [ {"name": "中国人民大学", "aid": 75694361}, ] # 获取指定视频的评论 def get_reply(aid): # aid: URL中的视频的ID reply_url = "https://api.bilibili.com/x/v2/reply" replys = [] # 计算评论页数 req_json = requests.get("https://api.bilibili.com/x/v2/reply?pn=1&type=1&oid=" + aid).json() page_json = req_json["data"]["page"] page_num = math.ceil(page_json["count"] / page_json["size"]) # 获取所有评论 for i in range(page_num): para = {'pn': str(i), 'type': '1', 'oid': aid} time.sleep(0.5) reply_str = requests.get(reply_url, para) msgs = re.findall(r'\"content\":{\"message\":\"(.*?)\"', reply_str.text) replys += msgs return [r + "\n" for r in replys] # 爬取评论并保存数据 def save_reply(schools): for school in schools: aid = school["aid"] replys = get_reply(str(aid)) with open("./data/" + school["name"] + "_评论.txt", "w", encoding="utf-8") as f: f.writelines(replys) print(school["name"] + " 评论：爬取完成。") return |
接下来是获取监测数据的函数，模拟调用API的方式和上文类似，在解析完监测数据后，本函数使用 pandas 保存到 excel 文件中。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
# 获取相应视频的监测数据 def get_biliDB(): for school in schools: name = school["name"] aid = school["aid"] biliDB_url = "https://www.biliob.com/api/video/" time.sleep(0.5) req_json = requests.get(biliDB_url + str(aid)).json() try: bilidb_data = [[0,0,0,0,0,0,None,req_json['datetime']]] bilidb_data += [d.values() for d in req_json['data']] df_bilidb = pd.DataFrame(bilidb_data, columns = ['view','favorite','danmaku','coin','share','like','dislike','datetime']) df_bilidb = df_bilidb.sort_values(by='datetime') df_bilidb = df_bilidb.reset_index(drop=True) df_bilidb.to_excel("./data/监测_" + name + ".xlsx") except: print("数据爬取错误：" + name) return |
至此，已可成功获取人大抖肩舞的监测和评论数据，如果需要扩展到其他高校，仅需提供对应高校的视频 ID 即可。部分爬取数据如图所示：
总结
本文以爬取 B 站数据为案例，介绍了基于 API 解析爬取动态网页数据的原理和技巧，如有相关建议，请在文章下方留言，非常感谢！
原创文章，作者：麒麟，如若转载，请注明出处：https://zhouqilin.tech/352.html
微信扫一扫 