你要的爱奇艺弹幕爬虫来了！！！

前言

在近期的工作代码中我遇到了一些小问题，导致了我的更新慢了不少。今天我就想把我在之前遇到的问题分享给大家，并通过一篇实战内容来教会大家，希望各位小伙伴以后遇到类似问题的时候，可以想起我的文章，并解决问题。

今天我要分享的知识是关于xml文件的解析。

什么是XML

XML指可拓展标记语言，标准通用标记语言的子集，是一种用于标记电子文件使其具有结构性的标记语言。XML被设计用来传输和存储数据。XML是一套定义语义的标记规则，这些标记将文档的许多部件并对这些部件加以标识。他也是元标记语言，即定义了用于定义其他领域有关的、语义的、结构化的标记语言的句法语言

Python对XML的解析

常见的XML接口主要有两种DOM和SAX，这两种接口处理XML的方式不同，当然使用的场景也不相同。

• SAX（simple API for XML）

Python标准库包括SAX解析器，SAX用事件驱动模型，通过在解析XML的过程中触发一个个事件并调用用户定义的回调函数来处理XML文件。

• DOM（Document Object Model）

将XML数据在内存中解析成一个树，通过对树的操作，来操作XML。

本次分享中使用的XML文件为movies.xml，内容如下：

   War, Thriller
   DVD
   2003
   PG
   10
   Talk about a US-Japan war


   Anime, Science Fiction
   DVD
   1989
   R
   8
   A schientific fiction

   
   Anime, Action
   DVD
   4
   PG
   10
   Vash the Stampede!


   Comedy
   VHS
   PG
   2
   Viewable boredom

就目前来说，我们比较常用的解析方式是使用DOM模块进行解析。

Python解析XML示例

from xml.dom.minidom import parse
import xml.dom.minidom


# 使用minidom解析器打开XML文档
DOMTree = xml.dom.minidom.parse('movies.xml')   # 返回Document对象
collection = DOMTree.documentElement    # 获取元素操作对象
# print(collection)
if collection.hasAttribute('shelf'):
    print('Root element : %s' % collection.getAttribute('shelf'))


# 在集合中获取所有的电影
movies = collection.getElementsByTagName('movie')   # 返回所有的movie标签，并保存在列表中
# print(movies)
for movie in movies:
    print('*******movie******')
    if movie.hasAttribute('title'):
        print('Title: %s' % movie.getAttribute('title'))
    type = movie.getElementsByTagName('type')[0]
    print('Type: %s' % type.childNodes[0].data) # 获取标签元素的内容
    format = movie.getElementsByTagName('format')[0]
    print('format: %s' % format.childNodes[0].data)
    rating = movie.getElementsByTagName('rating')[0]
    print('rating: %s' % rating.childNodes[0].data)
    description = movie.getElementsByTagName('description')[0]
    print('description: %s' % description.childNodes[0].data)

爱奇艺弹幕

最近出了一篇新剧，叫做《赘婿》，想必大家都看到了吧。今天我们的实战内容就是把观众发送的弹幕抓取下来，并将我在爬取过程中遇到的内容分享给大家。

分析网页

一般来说，视屏的弹幕是不可能出现在网页源码中的，那么初步判断是通过异步加载弹幕数据。

首先打开开发者工具-->点击network-->点击XHR

image

找到类似上图所示的URL，我们只需要其中的：/54/00/7973227714515400。

爱奇艺的弹幕地址获取如下：

https://cmts.iqiyi.com/bullet/参数1_300_参数2.z

参数1是：/54/00/7973227714515400

参数2是：数字1、2、3......

爱奇艺每5分钟就会加载一次弹幕，每一集下来大概是46分钟，因此弹幕的链接如下：

https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_1.z
https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_2.z
https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_3.z
.
.
.
https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_10.z

数据解码

当你把上面的URL复制到浏览器中，你会发现直接下载一个以.z为后缀的压缩包，windows不能直接打开，只能先通过Python对压缩包进行解码。

在这里我先对zlib这个库做简单的解释，zlib用于压缩和解压缩数据流。

因此，我们可以对下载下来的数据包进行解压缩。

首先，需要以二进制的方式读取数据包，再进行解压缩。

就拿我刚刚下载下来的压缩包为例子吧。

具体代码如下所示：

import zlib


with open('7973227714515400_300_1.z', 'rb') as f:
    data = f.read()

decode = zlib.decompress(bytearray(data), 15 + 32).decode('utf-8')
print(decode)

运行结果，如下所示：

image

不知道你有没有发现这类数据很像是XML，那我们就不妨写多两行代码，将数据保存为XML文件。

具体代码，如下所示：

import zlib


with open('7973227714515400_300_1.z', 'rb') as f:
    data = f.read()

decode = zlib.decompress(bytearray(data), 15 + 32).decode('utf-8')
with open('zx-1.xml', 'w', encoding='utf-8') as f:
    f.write(decode)

得到的XML文件内容，如下所示：

image

看到运行运行结果之后是不是有点小惊喜呀，根据我上面所讲的内容就可以获取到我们想要的数据了。

提取数据

具体代码，如下所示：

from xml.dom.minidom import parse
import xml.dom.minidom


DOMTree = xml.dom.minidom.parse('zx-1.xml')
collection = DOMTree.documentElement
entrys = collection.getElementsByTagName('entry')   
for entry in entrys:
    content = entry.getElementsByTagName('content')[0].childNodes[0].data
    print(content)

运行结果，如下所示：

image

现在对网页的分析和数据的获取思路想必大家都明白了。

那现在我们又需要回到刚刚的起点了，需要构造弹幕URL，并向该URL发送请求，获取它的二进制数据，再进行解压缩并保存为XML文件，最后从该文件中提取弹幕数据。

构造URL

具体代码，如下所示：

# 构造URL
    def get_urls(self):
        urls = []
        for x in range(1, 11):
            url = f'https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_{x}.z'
            urls.append(url)
        return urls

保存XML文件

具体代码，如下所示：

# 保存xml文件
    def get_xml(self):
        urls = self.get_urls()
        count = 1
        for url in urls:
            content = requests.get(url, headers=self.headers).content
            decode = zlib.decompress(bytearray(content), 15 + 32).decode('utf-8')
            with open(f'../data/zx-{count}.xml', 'a', encoding='utf-8') as f:
                f.write(decode)
            count += 1

避坑：

1、首先我们要获取的内容其实是一个压缩包，因此我们的headers应该这样写：

self.headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36',
            'Accept-Encoding': 'gzip, deflate'
        }

避免出现如下错误：

image

2、保存的xml文件不能以中文命名，还有一点就是最好添加一个 - ，如下所示：

zx-0
zx-1
.
.
.
zx-9

避免出现如下错误：

image

将XML文件都保存下来之后，暂时注释掉爬虫代码，因为，接下来我们需要对上面的文件进行数据提取了。

提取数据

 # 提取数据
    def parse_data(self):
        danmus = []
        
        for x in range(1, 11):
            DOMTree = xml.dom.minidom.parse(f'../data/zx-{x}.xml')
            collection = DOMTree.documentElement
            entrys = collection.getElementsByTagName('entry')
            for entry in entrys:
                danmu = entry.getElementsByTagName('content')[0].childNodes[0].data
                danmus.append(danmu)
        # print(danmus)
        df = pd.DataFrame({
            '弹幕': danmus
        })
        return df

在这里我们刚好使用到了，刚刚学习的XML的解析方式。所以对于我们来说，提取里面的弹幕对我们来说基本上，没有什么问题。

保存数据

 # 保存数据
    def save_data(self):
        df = self.parse_data()
        df.to_csv('../data/danmu.csv', encoding='utf-8-sig', index=False)

评论内容词云

image

小伙伴们请注意，这个只是第一集，就有两千多条弹幕，由此可以看出，这部剧还是比较火爆的。

最后

没有什么事情是可以一蹴而就的，生活如此，学习亦是如此！

因此，哪里会有什么三天速成，七天速成的说法呢？

唯有坚持，方能成功！

啃书君说：

文章的每一个字都是我用心敲出来的，只希望对得起每一位关注我的人。在文章末尾点【赞】，让我知道，你们也在为自己的学习拼搏和努力。

路漫漫其修远兮，吾将上下而求索。

我是啃书君，一个专注于学习的人，你懂的越多，你不懂的越多。更多精彩内容，我们下期再见！