Python 網絡爬蟲實戰：爬取 B站《全職高手》20萬條評論數據

本周我們的目標是：B站（嗶哩嗶哩彈幕網 https://www.bilibili.com ）視頻評論數據。

我們都知道，B站有很多號稱“鎮站之寶”的視頻，擁有著數量極其恐怖的評論和彈幕。所以這次我們的目標就是，爬取B站視頻的評論數據，分析其為何會深受大家喜愛。

首先去調研一下，B站評論數量最多的視頻是哪一個。。。好在已經有大佬已經統計過了，我們來看一哈！

【B站大數據可視化】B站評論數最多的視頻究竟是？來自 <https://www.bilibili.com/video/av34900167/>

嗯？《全職高手》，有點意思，第一集和最后一集分別占據了評論數量排行榜的第二名和第一名，遠超了其他很多很火的番。那好，就拿它下手吧，看看它到底強在哪兒。

廢話不多說，先去B站看看這部神劇到底有多好看 https://www.bilibili.com/bangumi/play/ep107656

額，需要開通大會員才能觀看。。。

好吧，不看就不看，不過好在雖然視頻看不了，評論卻是可以看的。

感受到它的恐怖了嗎？63w6條的評論！9千多頁！果然是不同凡響啊。

接下來，我們就開始編寫爬蟲，爬取這些數據吧。

使用爬蟲爬取網頁一般分為四個階段：分析目標網頁，獲取網頁內容，提取關鍵信息，輸出保存。

1. 分析目標網頁

• 首先觀察評論區結構，發現評論區為鼠標點擊翻頁形式，共 9399 頁，每一頁有 20 條評論，每條評論中包含 用戶名、評論內容、評論樓層、時間日期、點贊數等信息展示。

• 接著我們按 F12 召喚出開發者工具，切換到Network。然后用鼠標點擊評論翻頁，觀察這個過程有什么變化，并以此來制定我們的爬取策略。

• 我們不難發現，整個過程中 URL 不變，說明評論區翻頁不是通過 URL 控制。而在每翻一頁的時候，網頁會向服務器發出這樣的請求（請看 Request URL）。

• 點擊 Preview 欄，可以切換到預覽頁面，也就是說，可以看到這個請求返回的結果是什么。下面是該請求返回的 json 文件，包含了在 replies 里包含了本頁的評論數據。在這個 json 文件里，我們可以發現，這里面包含了太多的信息，除了網頁上展示的信息，還有很多沒展示出來的信息也有，簡直是挖到寶了。不過，我們這里用不到，通通忽略掉，只挑我們關注的部分就好了。

2. 獲取網頁內容

網頁內容分析完畢，可以正式寫代碼爬了。

import requestsdef fetchURL(url):
    '''
    功能：訪問 url 的網頁，獲取網頁內容并返回
    參數：
        url ：目標網頁的 url
    返回：目標網頁的 html 內容
    '''
    headers = {        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
    }    
    try:
        r = requests.get(url,headers=headers)
        r.raise_for_status()
        print(r.url)        return r.text    except requests.HTTPError as e:
        print(e)
        print("HTTPError")    except requests.RequestException as e:
        print(e)    except:
        print("Unknown Error !")        

if __name__ == '__main__':
    url = 'https://api.bilibili.com/x/v2/reply?callback=jQuery172020326544171595695_1541502273311&jsonp=jsonp&pn=2&type=1&oid=11357166&sort=0&_=1541502312050'
    html = fetchURL(url)
    print(html)

不過，在運行過后，你會發現，403 錯誤，服務器拒絕了我們的訪問。

運行結果：

403 Client Error: Forbidden for url: https://api.bilibili.com/x/v2/reply?callback=jQuery172020326544171595695_1541502273311&jsonp=jsonp&pn=2&type=1&oid=11357166&sort=0&_=1541502312050
HTTPError
None

同樣的，這個請求放瀏覽器地址欄里面直接打開，會變403，什么也訪問不到。

這是我們本次爬蟲遇到的第一個坑。在瀏覽器中能正常返回響應，但是直接打開請求鏈接時，卻會被服務器拒絕。（我第一反應是 cookie ，將瀏覽器中的 cookie 放入爬蟲的請求頭中，重新訪問，發現沒用），或許這也算是一個小的反爬蟲機制吧。

網上查閱資料之后，我找到了解決的方法（雖然不了解原理），原請求的 URL 參數如下：

callback = jQuery1720913511919053787_1541340948898
jsonp = jsonp
pn = 2
type = 1
oid = 11357166&sort=0
_ = 1541341035236

其中，真正有用的參數只有三個：pn（頁數），type（=1）和oid（視頻id）。刪除其余不必要的參數之后，用新整理出的url去訪問，成功獲取到評論數據。

https://api.bilibili.com/x/v2/reply?type=1&oid=11357166&pn=2

然后，在主函數中，通過寫一個 for 循環，通過改變 pn 的值，獲取每一頁的評論數據。

if __name__ == '__main__':    for page in range(0,9400):
        url = 'https://api.bilibili.com/x/v2/reply?type=1&oid=11357166&pn=' + str(page)
        html = fetchURL(url)

3. 提取關鍵信息

通過 json 庫對獲取到的響應內容進行解析，然后提取我們需要的內容：樓層，用戶名，性別，時間，評價，點贊數，回復數。

import jsonimport timedef parserHtml(html):
    '''
    功能：根據參數 html 給定的內存型 HTML 文件，嘗試解析其結構，獲取所需內容
    參數：
            html：類似文件的內存 HTML 文本對象
    '''
    s = json.loads(html)    for i in range(20):
        comment = s['data']['replies'][i]        # 樓層，用戶名，性別，時間，評價，點贊數，回復數
        floor = comment['floor']
        username = comment['member']['uname']
        sex = comment['member']['sex']
        ctime = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(comment['ctime']))
        content = comment['content']['message']
        likes = comment['like']
        rcounts = comment['rcount']

        print('--'+str(floor) + ':' + username + '('+sex+')' + ':'+ctime)
        print(content)
        print('like : '+ str(likes) + '      ' + 'replies : ' + str(rcounts))
        print('  ')

部分運行結果如下：

--204187:day可可鈴(保密):2018-11-05 18:16:22
太太又出本了，這次真的木錢了(′；ω；`)
like : 1      replies : 0
  
--204186:長夜未央233(女):2018-11-05 16:24:52
12區打卡
like : 2      replies : 0
  
--204185:果然還是人渣一枚(男):2018-11-05 13:48:09
貌似忘來了好幾天
like : 1      replies : 1
  
--204183:day可可鈴(保密):2018-11-05 13:12:38
要準備去學校了，萬惡的期中考試( ′_ゝ｀)
like : 2      replies : 0
  
--204182:拾秋以葉(保密):2018-11-05 12:04:19
11月5日打卡（￣▽￣）
like : 1      replies : 0
  
--204181:芝米士噠(女):2018-11-05 07:53:43
這次是真的錯過了一個億[蛆音娘_扶額]
like : 2      replies : 1

4. 保存輸出

我們把這些數據以 csv 的格式保存于本地，即完成了本次爬蟲的全部任務。下面附上爬蟲的全部代碼。

import requestsimport jsonimport timedef fetchURL(url):
    '''
    功能：訪問 url 的網頁，獲取網頁內容并返回
    參數：
        url ：目標網頁的 url
    返回：目標網頁的 html 內容
    '''
    headers = {        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
    }    
    try:
        r = requests.get(url,headers=headers)
        r.raise_for_status()
        print(r.url)        return r.text    except requests.HTTPError as e:
        print(e)
        print("HTTPError")    except requests.RequestException as e:
        print(e)    except:
        print("Unknown Error !")        

def parserHtml(html):
    '''
    功能：根據參數 html 給定的內存型 HTML 文件，嘗試解析其結構，獲取所需內容
    參數：
            html：類似文件的內存 HTML 文本對象
    '''
    try:
        s = json.loads(html)    except:
        print('error')
        
    commentlist = []
    hlist = []

    hlist.append("序號")
    hlist.append("名字")
    hlist.append("性別")
    hlist.append("時間")
    hlist.append("評論")
    hlist.append("點贊數")
    hlist.append("回復數")    #commentlist.append(hlist)

    # 樓層，用戶名，性別，時間，評價，點贊數，回復數
    for i in range(20):
        comment = s['data']['replies'][i]
        blist = []

        floor = comment['floor']
        username = comment['member']['uname']
        sex = comment['member']['sex']
        ctime = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(comment['ctime']))
        content = comment['content']['message']
        likes = comment['like']
        rcounts = comment['rcount']

        blist.append(floor)
        blist.append(username)
        blist.append(sex)
        blist.append(ctime)
        blist.append(content)
        blist.append(likes)
        blist.append(rcounts)

        commentlist.append(blist)

    writePage(commentlist)
    print('---'*20)def writePage(urating):
    '''
        Function : To write the content of html into a local file
        html : The response content
        filename : the local filename to be used stored the response
    '''
    
    import pandas as pd
    dataframe = pd.DataFrame(urating)
    dataframe.to_csv('Bilibili_comment5-1000條.csv', mode='a', index=False, sep=',', header=False)if __name__ == '__main__':    for page in range(0,9400):
        url = 'https://api.bilibili.com/x/v2/reply?type=1&oid=11357166&pn=' + str(page)
        html = fetchURL(url)
        parserHtml(html)        # 為了降低被封ip的風險，每爬20頁便歇5秒。
        if page%20 == 0:
            time.sleep(5)

寫在最后

在爬取過程中，還是遇到了很多的小坑的。

1. 請求的 url 不能直接用，需要對參數進行篩選整理后才能訪問。

2. 爬取過程其實并不順利，因為如果爬取期間如果有用戶發表評論，則請求返回的響應會為空導致程序出錯。所以在實際爬取過程中，記錄爬取的位置，以便出錯之后從該位置繼續爬。（并且，挑選深夜一兩點這種發帖人數少的時間段，可以極大程度的減少程序出錯的機率）

3. 爬取到的數據有多處不一致，其實這個不算是坑，不過這里還是講一下，免得產生困惑。

        a. 就是評論區樓層只到了20多萬，但是評論數量卻有63萬多條，這個不一致主要是由于B站的評論是可以回復的，回復的評論也會計算到總評論數里。我們這里只爬樓層的評論，而評論的回復則忽略，只統計回復數即可。

        b. 評論區樓層在20萬條左右，但是我們最后爬取下來的數據只有18萬條左右，反復檢查爬蟲程序及原網站后發現，這個屬于正常現象，因為有刪評論的情況，評論刪除之后，后面的樓層并不會重新排序，而是就這樣把刪掉的那層空下了。導致樓層數和評論數不一致。