python3网络爬虫--爬取b站视频评论用户信息（附源码）

最近马保国老师在b站挺火的，关于他的视频播放量很高，b站视频评论区都是人才说话好听，写个爬虫爬取一下b站评论区用户信息和评论内容。

一．准备工作

1．工具

（1）Chrome 谷歌浏览器 安装地址：https://www.google.cn/chrome/ （插件：json-handle 下载地址：http://jsonhandle.sinaapp.com/，json-handle安装方法：

https://blog.csdn.net/xb12369/article/details/79002208

用于分析网页结构
（2）python 3.x 安装地址：https://www.python.org/ 用于编写代码，开发工具：JetBrains PyCharm Professional下载地址：https://www.jetbrains.com/pycharm/
（3）Mongodb 数据库存储数据 安装地址：https://www.mongodb.com/try/download/community， 数据库可视化工具MongoDB Compass 用于动态管理数据库，安装教程详见：

https://blog.csdn.net/weixin_41466575/article/details/105326230

二．思路

1．整体思路

2．爬虫思路

三．分析网页

要想写好爬虫，一定要先把网页结构分析透彻。

1.分析网页加载方式

我们要爬取用户信息和评论，所以先打开一个视频。
鼠标右击 查看源代码 ，在源代码中搜索相关评论内容，并没有找到相关数据，可以判断此页面为ajax异步加载数据渲染出来的。

2.分析数据接口

回到视频页面F12打开开发者工具，刷新一下，ctrl+f搜索一下，发现评论数据都在这个json中。
这个json指向了下面这个地址：

https://api.bilibili.com/x/v2/reply?callback=jQuery1720631904798407396_1605664873948&jsonp=jsonp&pn=1&type=1&oid=82179137&sort=2&_=1605664874976

使用jsonhandle查看这个json可以看到用户信息在member里，评论信息在message里。

回到这个接口，此接口需要传以下参数：

callback: jQuery1720631904798407396_1605664873948  #经测试可以不传
jsonp: jsonp  #经测试可以不传
pn: 1  #页码标识
type: 1  #所属类型
oid: 82179137  #视频标识
sort: 2  #所属分类
_: 1605664874976  #当前时间戳，经测试可以不传

通过分析发现关键参数为oid和pn，sort，个人猜测oid为视频标识，pn为评论所在页数，sort为类别，我们要获取到oid。

3.获取oid

尝试在视频网页源代码中搜索oid。

检索到了7个相关，那就好办了，我们先请求视频网页获取oid，再通过oid去构造加载接口。

这样我们就把视频评论信息加载方式、加载接口搞清楚了，可以去撰写爬虫了。

四．撰写爬虫

废话不说，直接上源码

import json
import requests
import pymongo
import re
import time
import random

class Bilibili_Comment_Parse(object):

    #设置参数，数据根据视频标题不同存在不同的集合中，所有集合存在Bilibili库中
    def set_page(self):
        host='127.0.0.1'
        port=27017
        myclient=pymongo.MongoClient(host=host,port=port)
        mydb='Bilibili'
        sheetname=self.video_title
        db=myclient[mydb]
        self.post=db[sheetname]

    #根据输入的网址获取oid和视频标题
    def get_oid(self,url):
        headers={
     'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'}
        r = requests.get(url,headers=headers)
        res = r.text
        patten = ''
        oid = re.findall(patten, res)
        aim_oid = oid[0]
        patten1=''
        video_title=re.findall(patten1,res)
        if video_title:
            self.video_title=video_title[0].split('_哔哩哔哩')[0]
        return aim_oid

    #爬虫主程序，用于解析视频评论用户信息
    def parse(self,oid):
        base_url=f'https://api.bilibili.com/x/v2/reply?jsonp=jsonp&type=1&oid={oid}&sort=2'
        n=0
        url=base_url+'&pn={}'
        headers={
     'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'}
        try:
            while True:
                r=requests.get(url.format(n),headers=headers)
                _json=json.loads(r.text)
                replies=_json.get('data').get('replies')
                item={
     }
                n+=1
                if len(replies)!=0:
                    print(f'\033[34;47m--------------------正在爬取{n}页--------------------')
                    for replie in replies:
                        item['user_id']=replie.get('member').get('mid')#用户id
                        item['user_name']=replie.get('member').get('uname')#用户名
                        item['user_sex']=replie.get('member').get('sex')#性别
                        item['user_level']=replie.get('member').get('level_info').get('current_level')#等级
                        vip=replie.get('member').get('vip').get('vipStatus')#是否vip
                        if vip==1:
                            item['user_is_vip']='Y'
                        elif vip==0 :
                            item['user_is_vip']='N'
                        comment_date=replie.get('member').get('ctime')#评论日期
                        timeArray = time.localtime(comment_date)
                        otherStyleTime = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)
                        item['apprecate_count']=replie.get('like')#点赞数
                        item['reply_count']=replie.get('rcount')#回复数
                        item['comment_date']=otherStyleTime
                        item['comment']=replie.get('content').get('message')#评论内容
                        #判断数据库中有无此文档，也可用于断点续
                        res=self.post.count_documents(item)
                        if res==0:
                            data = dict(item)
                            self.post.insert(data)
                            print(f'\033[35;46m{item}\033[0m')
                        else:
                            print('\033[31;44m pass\033[0m')
                    time.sleep(0.5)
                else:
                    print(f'\033[31;44m--------------------程序在第{n}页正常退出！--------------------\033[0m')
                    break
        except:
            pass

def main():
    while True:
        type = input('请输入视频地址:')
        #使用正则表达式进行简单过滤
        patten1 = re.compile(r'^(?:http|https)?://(\S)*')
        flag= re.findall(patten1, type)
        if flag:
            try:
                bilibili_parse=Bilibili_Comment_Parse()
                oid =bilibili_parse.get_oid(type)
                bilibili_parse.set_page()
                bilibili_parse.parse(oid)
                break
            except:
                print('\033[35;49m您输入信息有误！请检查！\033[0m')
        else:
            print('\033[35;49m您输入信息有误！请检查！\033[0m')


if __name__ == '__main__':
    main()

这里要说一下，开始我用正则判断了一下输入内容，而且我并没有将api所有参数都传过去，像_这样的时间戳可以用time.time()去构造，用户信息的话，可以按需去抽取。

控制台一直在输出数据，直到结束。

五．存储数据

数据存储，我选择mongodb数据库，您可以自行选择存储方式。

一共九千多条，您可自行选择导出数据为json或者csv格式。

六．总结

• 本次爬取的是b站视频评论用户信息和评论数据，不只适用于马老师这个视频，是通用的。b站对ip访问频率有限制，所以保险起见，加入了限速，此爬虫的重点在于寻找评论api接口，url构造完成以后数据抽取就简单容易了，一共九千多条数据，而视频下面显示1w3K多条应该是包含回复。思路、代码方面有什么不足欢迎各位大佬指正、批评！