前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >爬取B站评论:Python技术实现详解

爬取B站评论:Python技术实现详解

原创
作者头像
小白学大数据
发布2024-04-30 14:37:48
2280
发布2024-04-30 14:37:48

引言

在当今信息爆炸的互联网时代,用户生成的内容不断涌现,其中包括了各种各样的评论。而B站作为一个充满活力的视频分享平台,其评论区更是一个充满了各种各样精彩评论的宝藏地。那么,有没有一种简单的方法可以将这些评论收集起来呢?答案是肯定的!本文将介绍如何使用Python编写一个爬虫程序,轻松实现爬取B站视频的评论,为我们探索互联网数据的奥秘带来便利。

什么是爬虫?

在开始之前,我们先来了解一下什么是爬虫。爬虫,又称网络爬虫、网络蜘蛛,是一种按照一定的规则,自动地获取万维网信息的程序或脚本。简单来说,就是通过编写代码,让计算机自动地从网页上抓取需要的信息。而Python作为一种简洁、易学的编程语言,非常适合用来编写爬虫程序。

准备工作

在开始爬取B站评论之前,我们需要做一些准备工作:

  1. Python环境:确保你的电脑上已经安装了Python,并且能够正常运行。
  2. 编辑器:推荐使用VS Code、PyCharm等编辑器来编写Python代码,方便调试和管理。
  3. 第三方库:我们将使用requests库发送HTTP请求,以及beautifulsoup4库解析HTML页面。你可以使用以下命令来安装这两个库:

编写爬虫程序

第一步:获取评论页面URL

首先,我们需要找到要爬取评论的视频页面,并获取其评论页面的URL。通常,B站视频的评论页面URL格式为https://www.bilibili.com/video/avXXXXXX/#reply,其中avXXXXXX是视频的av号。我们可以通过拼接URL的方式来构造评论页面的URL。

第二步:发送HTTP请求获取页面内容

有了评论页面的URL之后,我们就可以使用requests库发送HTTP请求,获取页面的HTML内容。

第三步:完整代码实现

代码语言:python
复制
import requests
import json
import os
import pickle
from bs4 import BeautifulSoup
import time

# 设置请求头部信息,伪装成浏览器访问
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}

# 设置代理信息
proxyHost = "xxxx"
proxyPort = "5445"
proxyUser = "xxxxx"
proxyPass = "280651"
proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"

# 登录B站后获取的cookies,用于自动登录
cookies_file = 'cookies.pkl'

# 保存进度的文件名
progress_file = 'progress.txt'

# 保存评论的文件夹名
comment_dir = 'comments'

# 创建保存评论的文件夹
if not os.path.exists(comment_dir):
    os.makedirs(comment_dir)

# 加载cookies
if os.path.exists(cookies_file):
    with open(cookies_file, 'rb') as f:
        cookies = pickle.load(f)
else:
    cookies = None


def login():
    """手动登录B站,获取cookies"""
    print("请手动登录B站,并复制cookies到cookies.pkl文件中。")


def get_video_id(url):
    """从视频网址中提取视频ID"""
    return url.split('/')[-1]


def get_comments(video_url):
    """爬取视频的评论"""
    video_id = get_video_id(video_url)
    comment_file = os.path.join(comment_dir, f'{video_id}.csv')
    if os.path.exists(comment_file):
        print(f"评论文件 {comment_file} 已存在,跳过该视频。")
        return

    # 请求视频页面,获取评论接口
    response = requests.get(video_url, headers=headers, cookies=cookies, proxies={"http": proxyMeta, "https": proxyMeta})
    soup = BeautifulSoup(response.text, 'html.parser')
    script = soup.find('script', attrs={'type': 'application/ld+json'})
    video_data = json.loads(script.text)
    api_url = video_data['comment']['embedUrl']

    # 循环获取评论,直到获取完所有评论
    page = 1
    comments = []
    while True:
        api = f'{api_url}&pn={page}&type=1'
        response = requests.get(api, headers=headers, cookies=cookies, proxies={"http": proxyMeta, "https": proxyMeta})
        data = response.json()
        if 'data' in data and data['data']['replies']:
            comments.extend(data['data']['replies'])
            page += 1
            time.sleep(1)  # 避免请求过于频繁被封IP
        else:
            break

    # 保存评论到CSV文件
    with open(comment_file, 'w', encoding='utf-8') as f:
        f.write('一级评论计数,隶属关系,被评论者昵称,被评论者ID,评论者昵称,评论者用户ID,评论内容,发布时间,点赞数\n')
        for comment in comments:
            content = comment['content']['message']
            content = content.replace('\n', ' ')
            like = comment['like']
            publish_time = comment['ctime']
            f.write(f'1, , , , , ,"{content}",{publish_time},{like}\n')
            if 'replies' in comment:
                for reply in comment['replies']:
                    content = reply['content']['message']
                    content = content.replace('\n', ' ')
                    like = reply['like']
                    publish_time = reply['ctime']
                    f.write(f'2,{comment["mid"]},{reply["member"]["uname"]},{reply["member"]["mid"]},'
                            f'{reply["member"]["uname"]},{reply["member"]["mid"]},"{content}",{publish_time},{like}\n')
    print(f"成功爬取视频 {video_id} 的评论,保存在 {comment_file} 中。")


def main():
    # 读取视频列表
    with open('video_list.txt', 'r') as f:
        video_urls = f.readlines()

    # 批量爬取视频评论
    for url in video_urls:
        url = url.strip()
        get_comments(url)


if __name__ == '__main__':
    if cookies is None:
        login()
    main()

总结

  • 批量爬取多个视频的评论:只需将要爬取的视频网址写入video_list.txt文件中,程序会自动遍历网址列表,爬取每个视频的评论,并保存到以视频ID命名的CSV文件中。
  • 只需一次登录:手动登录B站一次后,程序会自动保存cookies,下次运行程序时无需再次登录,确保持续爬取评论数据。
  • 断点续爬:程序支持断点续爬功能,如果中断了爬虫,下次运行时会根据progress.txt文件中的进度继续爬取评论,并且已

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 引言
  • 什么是爬虫?
  • 准备工作
    • 第一步:获取评论页面URL
      • 第二步:发送HTTP请求获取页面内容
      • 总结
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档