Python爬虫之bilibili视频弹幕爬取并保存为JSON格式(详解分析+代码实现)
一、项目介绍
今天我们的爬虫内容是bilibili视频弹幕爬取,并保存到本地为JSON格式,正常爬虫只需要发送请求,解析相应内容,而爬取bilibili的内容,视频弹幕并没在响应的html中,而是保存在一个响应的url中,以XML格式保存,所以这算是一个新的内容,我会在下面进行详解。
二、所需技术
- import requests (发送请求获取响应数据)
- from lxml import etree (xpath提取内容)
- import re (正则表达式提取内容)
- import json (JSON格式与文本格式的转换)
三、网页分析
1、分析响应内容 首先以今天(2020年2月26日)B站排行榜第一的视频为例,右键检查(使用Chrome浏览器),我们首先需要获取到视频的标题,这里我们使用Chrome的xpath插件更方便的提取内容,发现视频标题存在与html中,而弹幕似乎不在,我们接下来分析。
一开始我本因为就是正常的保存在html中,而当我跑了很多次之后,html中都没有发现弹幕,这个时候我来到检查中的Network,看一下这里服务器响应的内容,然后数据太多了,但是功夫不负有心人,终于让我找到了,可见下图,是一个url,所以就意味着我们可以向这个url发送请求,就能获取到所需数据,以XML格式存储,我怕这个url还需要别的参数,所以找了几个视频,发现唯一变的就是后面的oid,所以我们还需要获取到oid参数,但是oid在html中保存为cid,这里就需要用到正则表达式提取,然后拼接。可见下图
1、首先是找到的url
2、然后是对应的XML响应弹幕内容
3、正则表达式提取的方法(最后我会放出完整代码)
item["cid:"] = re.findall(r"\"pages\"\:\[\{\"cid\":(.*?)\,", html_str, re.S)[0]3、分析小结
根据分析我们可以看到,我们首先要拼接url来到视频的地址,获取到标题,然后根据我们分析的到的url响应地址,还需要在html中获取到oid,进行拼接,再次发送请求。也就是说,我们需要发送两次请求,为了读者们看的更为清晰,我会在代码中标清楚注释,便于大家分析,如有不足,希望批评。
四、代码实现
import requests from lxml import etree import re import json class BiLiBiLi: # 初始化方法 def __init__(self,av_num): # 接收av号 self.name = "av号" + str(av_num) # 拼接视频地址 self.av_url = "https://www.bilibili.com/video/av{}".format(av_num) # 请求头 self.headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36"} # 响应html内容,并返回 def parse_url(self,av_url): response = requests.get(url=av_url,headers=self.headers) return response.content.decode() # 解析html内容 def get_course(self,html_str): # 使用xpath html = etree.HTML(html_str) # 使用字典保存标题和oid item = {} # 这里使用xpath提取标题 item["标题:"] = html.xpath("//div[@id='app']/div/div/div/h1/span/text()")[0] if len(html.xpath("//div[@id='app']/div/div/div/h1/span/text()")) > 0 else None if item["标题:"]: # 这里使用正则提取oid item["cid:"] = re.findall(r"\"pages\"\:\[\{\"cid\":(.*?)\,", html_str, re.S)[0] else: print("请输入正确的av号") # 返回提取到的内容 return item # 解析弹幕url地址 def get_danmu(self,item): oid = item["cid:"] # 拼接从html中获取到的oid danmu_url = "https://api.bilibili.com/x/v1/dm/list.so?oid={}".format(oid) # 发送请求 response = requests.get(url=danmu_url,headers=self.headers) # 解析内容 danmu_json = response.content.decode() danmu = etree.HTML(danmu_json.encode("utf-8")) # 使用xpath在xml中获取弹幕 item["弹幕:"] = danmu.xpath("//d/text()") # 返回获取到的弹幕 return item # 保存数据 def save(self,all): # 保存为JSON格式到本地 with open("{}.json".format(self.name),"a",encoding="utf8") as fp: fp.write(json.dumps(all,ensure_ascii=False,indent=4)) def run(self): # 获取相应内容 html_str = self.parse_url(self.av_url) # 提取所需数据 item = self.get_course(html_str) all = self.get_danmu(item) # 保存数据为JSON格式到本地 self.save(all) # 主方法 if __name__ == '__main__': # 输入av号,便于之后拼接 av_num = input("请输入av号:") # 传递参数 bilibili = BiLiBiLi(av_num) # 调用方法 bilibili.run()
五、爬取结果
由下图可知,一秒钟成功抓取到数据,并以JSON格式保存到本地,方便我们使用。
六、总结
总体来说整个爬虫并不难,只需要仔细找到我们需要的内容保存在哪里,这是我第一次在CSDN写相关爬虫博客,后面我会带来Scrapy,Bs4,登录爬取,验证码登录等,谢谢大家,如有不足,恳请批评。
- 点赞 8
- 收藏
- 分享
- 文章举报
- Python爬虫之网易云音乐歌曲歌词爬取并保存到本地(详解分析+代码实现)
- Python爬虫 bilibili视频弹幕提取过程详解
- python爬虫——json格式爬取微博评论及评论人信息(含代码)
- 500G python web、爬虫、数据分析、机器学习、大数据、前端实战项目视频代码免费分享
- Nodejs实现简单爬虫,将爬到的数据以json数据格式保存到MySQL数据库中
- Python OpenCV视频截取并保存实现代码
- Python使用Scrapy爬虫框架全站爬取图片并保存本地的实现代码
- Python爬取数据保存为Json格式的代码示例
- Python JSON格式数据的提取和保存的实现
- wav文件格式分析详解和解析代码
- php操作JSON格式数据的实现代码
- Python 提取dict转换为xml/json/table并输出的实现代码
- JS实现的将对象转为JSON格式代码
- 【python下使用OpenCV实现计算机视觉读书笔记4】保存摄像头视频
- 利用Spark-mllab进行聚类,分类,回归分析的代码实现(python)
- 优酷电视剧爬虫代码实现一:下载解析视频网站页面(3)补充知识点:htmlcleaner使用案例
- ffmpeg-php将视频格式转为flv格式实现代码
- [深度学习]Python/Theano实现逻辑回归网络的代码分析
- Python实现爬取知乎神回复简单爬虫代码分享
- Python实现读取目录所有文件的文件名并保存到txt文件代码