Python 网络爬虫实战：爬取 B站《全职高手》20万条评论数据

本周我们的目标是：B站（哔哩哔哩弹幕网 https://www.bilibili.com <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/
<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
<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。
import requests def fetchURL(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 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,
like Gecko) Chrome/68.0.3440.106 Safari/537.36', } try: r =
requests.get(url,headers=headers) r.raise_for_status() print(r.url) return
r.text except requests.HTTPError as e: print(e) print("HTTPError") except
requests.RequestException as e: print(e) except: print("Unknown Error !") 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： 403 Client Error: Forbidden for url:
https://api.bilibili.com/x/v2/reply?callback=jQuery172020326544171595695_1541502273311&jsonp=jsonp&pn=2&type=1&oid=11357166&sort=0&_=1541502312050
HTTPError None
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_1541340948898 jsonp = jsonp pn = 2 type =
1 oid = 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__': for page in range(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。
import json import time def parserHtml(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) for i in
range(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):2018-11-05 18:16:22
太太又出本了，这次真的木钱了(´；ω；`) like : 1 replies : 0 --204186:长夜未央233(女):2018-11-05
16:24:52 12区打卡 like : 2 replies : 0 --204185:果然还是人渣一枚(男):2018-11-05 13:48:09
貌似忘来了好几天 like : 1 replies : 1 --204183:day可可铃(保密):2018-11-05 13:12:38
要准备去学校了，万恶的期中考试( ´_ゝ｀) like : 2 replies : 0 --204182:拾秋以叶(保密):2018-11-05
12:04:19 11月5日打卡（￣▽￣） like : 1 replies : 0 --204181:芝米士哒(女):2018-11-05 07:53:43
这次是真的错过了一个亿[蛆音娘_扶额] like : 2 replies : 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。
import requests import json import time def fetchURL(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 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,
like Gecko) Chrome/68.0.3440.106 Safari/537.36', } try: r =
requests.get(url,headers=headers) r.raise_for_status() print(r.url) return
r.text except requests.HTTPError as e: print(e) print("HTTPError") except
requests.RequestException as e: print(e) except: print("Unknown Error !") def
parserHtml(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 for i
in range(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) def writePage(urating): ''' Function : To write the content of
html into a local file html : The response content filename : the local
filename to be used stored the response ''' import pandas as pd dataframe =
pd.DataFrame(urating) dataframe.to_csv('Bilibili_comment5-1000条.csv', mode='a',
index=False, sep=',', header=False) if __name__ == '__main__': for page in
range(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。 if page%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。

• « 上一篇：成为架构师的第一步应该学习什么？
• » 下一篇：JAVA程序员职业生涯中最重要的三个阶段