Python爬虫实例：爬取B站《工作细胞》短评——异步加载信息的爬取
Python爬虫实例：爬取B站《工作细胞》短评——异步加载信息的爬取
很多网页的信息都是通过异步加载的，本文就举例讨论下此类网页的抓取。
《工作细胞》最近比较火，bilibili 上目前的短评已经有17000多条。
先看分析下页面
右边 li 标签中的就是短评信息，一共20条。一般我们加载大量数据的时候，都会做分页，但是这个页面没有，只有一个滚动条。
随着滚动条往下拉，信息自动加载了，如下图，变40条了。由此可见，短评是通过异步加载的。
我们不可能一次性将滚动条拉到最下面，然后来一次性获取全部的数据。既然知道是通过异步来加载的数据，那么我们可以想办法直接去获取这些异步的数据。
打开 Network 查看分析 http 请求，可以点击 XHR 过滤掉 img、css、js 等信息。这时我们发现了一些 fetch。fetch 我对它的了解就是一个比 ajax 更高级更好用的 API，当然这肯定是不准确的，但并并不影响我们的爬虫。
我们可以看到，其中返回的就是我们需要的内容，json 格式，一共20条，total 属性就是总的数目。分析一下 url 地址：https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0&cursor=76729594906127
media_id 想必就是《工作细胞》的 id 了；
folded 不知道是啥，可以不管；
page_size 是每页的条数；
sort 排序，看名字就知道，找到排序的选项，试了下，果然是的，默认0，最新1；
cursor，字面意思的光标，猜测应该是指示本次获取开始的位置的，展开获取到的 json，发现其中包含有 cursor 属性，对比以后可以发现，url中的值跟上一次返回结果中的最后一条中的 cursor 的值是一致的。
好了，至此，页面已经分析清楚了，爬取的方式也明显了，根本不用管网页，直接根据 fetch 的地址获取 json 数据就可以了，连网页解析都省了，超级的方便。
下面的完整的代码：（如果 fake_useragent 报错，就手动写个 User-Agent 吧，那个库极度的不稳定）
import csv
import os
import time
import requests
from fake_useragent import UserAgent
curcount = 0
def main():
url = 'https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0'
crawling(url)
def crawling(url):
print(f'正在爬取：{url}')
global curcount
headers = {"User-Agent": UserAgent(verify_ssl=False).random}
json_content = requests.get(url, headers).json()
total = json_content['result']['total']
infolist = []
for item in json_content['result']['list']:
info = {
'author': item['author']['uname'],
'content': item['content'],
'ctime': time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(item['ctime'])),
'likes': item['likes'],
'disliked': item['disliked'],
'score': item['user_rating']['score']
}
infolist.append(info)
savefile(infolist)
curcount += len(infolist)
print(f'当前进度{curcount}/{total}')
if curcount >= total:
print('爬取完毕。')
return
nexturl = f'https://bangumi.bilibili.com/review/web_api/short/list?' \
f'media_id=102392&folded=0&page_size=20&sort=0&cursor={json_content["result"]["list"][-1]["cursor"]}'
time.sleep(1)
crawling(nexturl)
def savefile(infos):
with open('WorkingCell.csv', 'a', encoding='utf-8') as sw:
fieldnames = ['author', 'content', 'ctime', 'likes', 'disliked', 'score']
writer = csv.DictWriter(sw, fieldnames=fieldnames)
writer.writerows(infos)
if __name__ == '__main__':
if os.path.exists('WorkingCell.csv'):
os.remove('WorkingCell.csv')
main()