提到B站，你會(huì)想到什么？

 

　　二次元？鬼畜？看番？diss？還是——彈幕？

 

　　曾經(jīng)錯(cuò)位時(shí)空不同的人，在同一個(gè)視頻下用彈幕進(jìn)行了交流。

 

　　而發(fā)這條彈幕的人，可能甚至是五六年前發(fā)的。

 

　　你永遠(yuǎn)不知道年輕人有多少梗，不知道有多少人在彈幕，但是——

 

　　Python知道。

 

　　Python爬蟲爬取Bilibili彈幕

 

　　這是Python爬蟲爬取Bilibili彈幕實(shí)戰(zhàn)。

 

　　有人說(shuō)，B站因彈幕的體驗(yàn)感而一騎絕塵。

 

　　飛逝的彈幕仿佛能溝通一切。

 

　　那么，B站上一個(gè)視頻的彈幕最多會(huì)有多少？

 

　　2000條？還是更多？

 

　　這么多數(shù)據(jù)，B站肯定是不會(huì)直接把彈幕和這個(gè)視頻綁在一起的。

 

　　也就是說(shuō)，有一個(gè)視頻地址為https://www.bilibili.com/video/av67946325，你如果直接去requests.get這個(gè)地址，里面是不會(huì)有彈幕的，因?yàn)锽站的彈幕是先加載當(dāng)前視頻的界面，然后再異步填充彈幕的。

 

　　接下來(lái)我們可以打開火狐瀏覽器(平?？梢曰鸷雀杩刂婆_(tái)都使用，因?yàn)楣雀枥锩嬉驗(yàn)椴寮粩r截下來(lái)的包在火狐可以抓到，同理谷歌也是)的控制臺(tái)來(lái)觀察網(wǎng)絡(luò)請(qǐng)求了。

 

　　經(jīng)過(guò)仔細(xì)排查之后，找到了一個(gè)請(qǐng)求xml的，它后面跟了一個(gè)oid，查看它的響應(yīng)內(nèi)容之后可以發(fā)現(xiàn)它就是彈幕文件。

　　它的響應(yīng)時(shí)間98毫秒，遠(yuǎn)超其它幾個(gè)響應(yīng)，所以說(shuō)如果把彈幕直接放在視頻頁(yè)面，用戶體驗(yàn)一定會(huì)很差。

　　找到彈幕了，爬取它很容易，但是我們想要是爬取固定av號(hào)視頻的彈幕，而不是說(shuō)隨意去找一個(gè)oid來(lái)爬取彈幕，這樣我們都不知道爬下來(lái)的彈幕是哪個(gè)視頻的。

 

　　接下來(lái)我們就可以復(fù)制oid的117784982值，去視頻頁(yè)面搜索看看了，通過(guò)視頻來(lái)獲得它的oid再來(lái)爬xml彈幕就很方便了。

 

　　這次用了谷歌瀏覽器，在里面通過(guò)搜索oid果然搜索到相關(guān)的數(shù)據(jù)了。

　　其中cid是彈幕對(duì)應(yīng)的id，aid對(duì)應(yīng)視頻av號(hào)。

 

　　先把這個(gè)頁(yè)面爬取下來(lái)。

 

 

　　正則表達(dá)式最簡(jiǎn)單的使用方式其實(shí)就是直接match。拿到了內(nèi)容我們就要從中解析彈幕id了，對(duì)于這種規(guī)則紊亂的網(wǎng)頁(yè)，我們就不能用上一篇中Bs4解析了，而是使用正則表達(dá)式。

 

 

　　觀察這里的內(nèi)容，我們大致的匹配規(guī)則就有了。

 

　　cid={目標(biāo)}&aid=av號(hào)

 

　　117784982就是我們的目標(biāo)。

　

　　先根據(jù)av號(hào)拿到視頻頁(yè)面，然后解析視頻頁(yè)面拿到oid，最后用oid去請(qǐng)求xml彈幕文件。

 

　　這樣我們就完成B站彈幕爬蟲了。

 

　　Python，好絕一鬼才！