整合營(yíng)銷服務(wù)商
電腦端+手機(jī)端+微信端=數(shù)據(jù)同步管理
免費(fèi)咨詢熱線：
電腦端+手機(jī)端+微信端=數(shù)據(jù)同步管理
免費(fèi)咨詢熱線：
天講解如何用python爬取芒果TV、騰訊視頻、B站、愛(ài)奇藝、知乎、微博這幾個(gè)常見(jiàn)常用的影視、輿論平臺(tái)的彈幕和評(píng)論，這類爬蟲得到的結(jié)果一般用于娛樂(lè)、輿情分析，如:新出一部火爆的電影，爬取彈幕評(píng)論分析他為什么這么火;微博又出大瓜，爬取底下評(píng)論看看網(wǎng)友怎么說(shuō)，等等這娛樂(lè)性分析。
本文爬取一共六個(gè)平臺(tái)，十個(gè)爬蟲案例，如果只對(duì)個(gè)別案例感興趣的可以根據(jù)：芒果TV、騰訊視頻、B站、愛(ài)奇藝、知乎、微博這一順序進(jìn)行拉取觀看。完整的實(shí)戰(zhàn)源碼已在文中，我們廢話不多說(shuō)，下面開(kāi)始操作！
本文以爬取電影《懸崖之上》為例，講解如何爬取芒果TV視頻的彈幕和評(píng)論！
網(wǎng)頁(yè)地址：
https://www.mgtv.com/b/335313/12281642.html?fpa=15800&fpos=8&lastp=ch_movie
彈幕數(shù)據(jù)所在的文件是動(dòng)態(tài)加載的，需要進(jìn)入瀏覽器的開(kāi)發(fā)者工具進(jìn)行抓包，得到彈幕數(shù)據(jù)所在的真實(shí)url。當(dāng)視頻播放一分鐘它就會(huì)更新一個(gè)json數(shù)據(jù)包，里面包含我們需要的彈幕數(shù)據(jù)。
得到的真實(shí)url：
https://bullet-ali.hitv.com/bullet/2021/08/14/005323/12281642/0.json
https://bullet-ali.hitv.com/bullet/2021/08/14/005323/12281642/1.json
可以發(fā)現(xiàn)，每條url的差別在于后面的數(shù)字，首條url為0，后面的逐步遞增。視頻一共120：20分鐘，向上取整，也就是121條數(shù)據(jù)包。
import requests
import pandas as pd
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
df = pd.DataFrame()
for e in range(0, 121):
print(f'正在爬取第{e}頁(yè)')
resposen = requests.get(f'https://bullet-ali.hitv.com/bullet/2021/08/3/004902/12281642/{e}.json', headers=headers)
# 直接用json提取數(shù)據(jù)
for i in resposen.json()['data']['items']:
ids = i['ids'] # 用戶id
content = i['content'] # 彈幕內(nèi)容
time = i['time'] # 彈幕發(fā)生時(shí)間
# 有些文件中不存在點(diǎn)贊數(shù)
try:
v2_up_count = i['v2_up_count']
except:
v2_up_count = ''
text = pd.DataFrame({'ids': [ids], '彈幕': [content], '發(fā)生時(shí)間': [time]})
df = pd.concat([df, text])
df.to_csv('懸崖之上.csv', encoding='utf-8', index=False)
結(jié)果展示：
芒果TV視頻的評(píng)論需要拉取到網(wǎng)頁(yè)下面進(jìn)行查看。評(píng)論數(shù)據(jù)所在的文件依然是動(dòng)態(tài)加載的，進(jìn)入開(kāi)發(fā)者工具，按下列步驟進(jìn)行抓包：Network→js,最后點(diǎn)擊查看更多評(píng)論。
加載出來(lái)的依然是js文件，里面包含評(píng)論數(shù)據(jù)。得到的真實(shí)url：
https://comment.mgtv.com/v4/comment/getCommentList?page=1&subjectType=hunantv2014&subjectId=12281642&callback=jQuery1820749973529821774_1628942431449&_support=10000000&_=1628943290494
https://comment.mgtv.com/v4/comment/getCommentList?page=2&subjectType=hunantv2014&subjectId=12281642&callback=jQuery1820749973529821774_1628942431449&_support=10000000&_=1628943296653
其中有差別的參數(shù)有page和_，page是頁(yè)數(shù)，_是時(shí)間戳；url中的時(shí)間戳刪除后不影響數(shù)據(jù)完整性，但里面的callback參數(shù)會(huì)干擾數(shù)據(jù)解析，所以進(jìn)行刪除。最后得到url:
https://comment.mgtv.com/v4/comment/getCommentList?page=1&subjectType=hunantv2014&subjectId=12281642&_support=10000000
數(shù)據(jù)包中每頁(yè)包含15條評(píng)論數(shù)據(jù)，評(píng)論總數(shù)是2527，得到最大頁(yè)為169。
import requests
import pandas as pd
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
df = pd.DataFrame()
for o in range(1, 170):
url = f'https://comment.mgtv.com/v4/comment/getCommentList?page={o}&subjectType=hunantv2014&subjectId=12281642&_support=10000000'
res = requests.get(url, headers=headers).json()
for i in res['data']['list']:
nickName = i['user']['nickName'] # 用戶昵稱
praiseNum = i['praiseNum'] # 被點(diǎn)贊數(shù)
date = i['date'] # 發(fā)送日期
content = i['content'] # 評(píng)論內(nèi)容
text = pd.DataFrame({'nickName': [nickName], 'praiseNum': [praiseNum], 'date': [date], 'content': [content]})
df = pd.concat([df, text])
df.to_csv('懸崖之上.csv', encoding='utf-8', index=False)
結(jié)果展示：
本文以爬取電影《革命者》為例，講解如何爬取騰訊視頻的彈幕和評(píng)論！
網(wǎng)頁(yè)地址：
https://v.qq.com/x/cover/mzc00200m72fcup.html
依然進(jìn)入瀏覽器的開(kāi)發(fā)者工具進(jìn)行抓包，當(dāng)視頻播放30秒它就會(huì)更新一個(gè)json數(shù)據(jù)包，里面包含我們需要的彈幕數(shù)據(jù)。
得到真實(shí)url:
https://mfm.video.qq.com/danmu?otype=json&callback=jQuery19109541041335587612_1628947050538&target_id=7220956568%26vid%3Dt0040z3o3la&session_key=0%2C32%2C1628947057×tamp=15&_=1628947050569
https://mfm.video.qq.com/danmu?otype=json&callback=jQuery19109541041335587612_1628947050538&target_id=7220956568%26vid%3Dt0040z3o3la&session_key=0%2C32%2C1628947057×tamp=45&_=1628947050572
其中有差別的參數(shù)有timestamp和_。_是時(shí)間戳。timestamp是頁(yè)數(shù)，首條url為15，后面以公差為30遞增，公差是以數(shù)據(jù)包更新時(shí)長(zhǎng)為基準(zhǔn)，而最大頁(yè)數(shù)為視頻時(shí)長(zhǎng)7245秒。依然刪除不必要參數(shù)，得到url：
https://mfm.video.qq.com/danmu?otype=json&target_id=7220956568%26vid%3Dt0040z3o3la&session_key=0%2C18%2C1628418094×tamp=15&_=1628418086509
import pandas as pd
import time
import requests
headers = {
'User-Agent': 'Googlebot'
}
# 初始為15，7245 為視頻秒長(zhǎng)，鏈接以三十秒遞增
df = pd.DataFrame()
for i in range(15, 7245, 30):
url = "https://mfm.video.qq.com/danmu?otype=json&target_id=7220956568%26vid%3Dt0040z3o3la&session_key=0%2C18%2C1628418094×tamp={}&_=1628418086509".format(i)
html = requests.get(url, headers=headers).json()
time.sleep(1)
for i in html['comments']:
content = i['content']
print(content)
text = pd.DataFrame({'彈幕': [content]})
df = pd.concat([df, text])
df.to_csv('革命者_(dá)彈幕.csv', encoding='utf-8', index=False)
結(jié)果展示：
騰訊視頻評(píng)論數(shù)據(jù)在網(wǎng)頁(yè)底部，依然是動(dòng)態(tài)加載的，需要按下列步驟進(jìn)入開(kāi)發(fā)者工具進(jìn)行抓包：
點(diǎn)擊查看更多評(píng)論后，得到的數(shù)據(jù)包含有我們需要的評(píng)論數(shù)據(jù)，得到的真實(shí)url:
https://video.coral.qq.com/varticle/6655100451/comment/v2?callback=_varticle6655100451commentv2&orinum=10&oriorder=o&pageflag=1&cursor=0&scorecursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132&_=1628948867522
https://video.coral.qq.com/varticle/6655100451/comment/v2?callback=_varticle6655100451commentv2&orinum=10&oriorder=o&pageflag=1&cursor=6786869637356389636&scorecursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132&_=1628948867523
url中的參數(shù)callback以及_刪除即可。重要的是參數(shù)cursor，第一條url參數(shù)cursor是等于0的，第二條url才出現(xiàn)，所以要查找cursor參數(shù)是怎么出現(xiàn)的。經(jīng)過(guò)我的觀察，cursor參數(shù)其實(shí)是上一條url的last參數(shù)：
import requests
import pandas as pd
import time
import random
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
df = pd.DataFrame()
a = 1
# 此處必須設(shè)定循環(huán)次數(shù)，否則會(huì)無(wú)限重復(fù)爬取
# 281為參照數(shù)據(jù)包中的oritotal,數(shù)據(jù)包中一共10條數(shù)據(jù)，循環(huán)280次得到2800條數(shù)據(jù)，但不包括底下回復(fù)的評(píng)論
# 數(shù)據(jù)包中的commentnum，是包括回復(fù)的評(píng)論數(shù)據(jù)的總數(shù)，而數(shù)據(jù)包都包含10條評(píng)論數(shù)據(jù)和底下的回復(fù)的評(píng)論數(shù)據(jù)，所以只需要把2800除以10取整數(shù)+1即可！
while a < 281:
if a == 1:
url = 'https://video.coral.qq.com/varticle/6655100451/comment/v2?orinum=10&oriorder=o&pageflag=1&cursor=0&scorecursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132'
else:
url = f'https://video.coral.qq.com/varticle/6655100451/comment/v2?orinum=10&oriorder=o&pageflag=1&cursor={cursor}&scorecursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132'
res = requests.get(url, headers=headers).json()
cursor = res['data']['last']
for i in res['data']['oriCommList']:
ids = i['id']
times = i['time']
up = i['up']
content = i['content'].replace('\n', '')
text = pd.DataFrame({'ids': [ids], 'times': [times], 'up': [up], 'content': [content]})
df = pd.concat([df, text])
a += 1
time.sleep(random.uniform(2, 3))
df.to_csv('革命者_(dá)評(píng)論.csv', encoding='utf-8', index=False)
效果展示：
本文以爬取視頻《“ 這是我見(jiàn)過(guò)最拽的一屆中國(guó)隊(duì)奧運(yùn)冠軍”》為例，講解如何爬取B站視頻的彈幕和評(píng)論！
網(wǎng)頁(yè)地址：
https://www.bilibili.com/video/BV1wq4y1Q7dp
B站視頻的彈幕不像騰訊視頻那樣，播放視頻就會(huì)觸發(fā)彈幕數(shù)據(jù)包，他需要點(diǎn)擊網(wǎng)頁(yè)右側(cè)的彈幕列表行的展開(kāi)，然后點(diǎn)擊查看歷史彈幕獲得視頻彈幕開(kāi)始日到截至日鏈接：
鏈接末尾以oid以及開(kāi)始日期來(lái)構(gòu)成彈幕日期url：
https://api.bilibili.com/x/v2/dm/history/index?type=1&oid=384801460&month=2021-08
在上面的的基礎(chǔ)之上，點(diǎn)擊任一有效日期即可獲得這一日期的彈幕數(shù)據(jù)包，里面的內(nèi)容目前是看不懂的，之所以確定它為彈幕數(shù)據(jù)包，是因?yàn)辄c(diǎn)擊了日期他才加載出來(lái)，且鏈接與前面的鏈接具有相關(guān)性：
得到的url:
https://api.bilibili.com/x/v2/dm/web/history/seg.so?type=1&oid=384801460&date=2021-08-08
url中的oid為視頻彈幕鏈接的id值；data參數(shù)為剛才的的日期，而獲得該視頻全部彈幕內(nèi)容，只需要更改data參數(shù)即可。而data參數(shù)可以從上面的彈幕日期url獲得，也可以自行構(gòu)造；網(wǎng)頁(yè)數(shù)據(jù)格式為json格式
import requests
import pandas as pd
import re
def data_resposen(url):
headers = {
"cookie": "你的cookie",
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.104 Safari/537.36"
}
resposen = requests.get(url, headers=headers)
return resposen
def main(oid, month):
df = pd.DataFrame()
url = f'https://api.bilibili.com/x/v2/dm/history/index?type=1&oid={oid}&month={month}'
list_data = data_resposen(url).json()['data'] # 拿到所有日期
print(list_data)
for data in list_data:
urls = f'https://api.bilibili.com/x/v2/dm/web/history/seg.so?type=1&oid={oid}&date={data}'
text = re.findall(".*?([\u4E00-\u9FA5]+).*?", data_resposen(urls).text)
for e in text:
print(e)
data = pd.DataFrame({'彈幕': [e]})
df = pd.concat([df, data])
df.to_csv('彈幕.csv', encoding='utf-8', index=False, mode='a+')
if __name__ == '__main__':
oid = '384801460' # 視頻彈幕鏈接的id值
month = '2021-08' # 開(kāi)始日期
main(oid, month)
結(jié)果展示：
B站視頻的評(píng)論內(nèi)容在網(wǎng)頁(yè)下方，進(jìn)入瀏覽器的開(kāi)發(fā)者工具后，只需要向下拉取即可加載出數(shù)據(jù)包：
得到真實(shí)url：
https://api.bilibili.com/x/v2/reply/main?callback=jQuery1720034332372316460136_1629011550479&jsonp=jsonp&next=0&type=1&oid=589656273&mode=3&plat=1&_=1629012090500
https://api.bilibili.com/x/v2/reply/main?callback=jQuery1720034332372316460136_1629011550483&jsonp=jsonp&next=2&type=1&oid=589656273&mode=3&plat=1&_=1629012513080
https://api.bilibili.com/x/v2/reply/main?callback=jQuery1720034332372316460136_1629011550484&jsonp=jsonp&next=3&type=1&oid=589656273&mode=3&plat=1&_=1629012803039
兩條urlnext參數(shù)，以及_和callback參數(shù)。_和callback一個(gè)是時(shí)間戳，一個(gè)是干擾參數(shù)，刪除即可。next參數(shù)第一條為0，第二條為2，第三條為3，所以第一條next參數(shù)固定為0，第二條開(kāi)始遞增；網(wǎng)頁(yè)數(shù)據(jù)格式為json格式。
import requests
import pandas as pd
df = pd.DataFrame()
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'}
try:
a = 1
while True:
if a == 1:
# 刪除不必要參數(shù)得到的第一條url
url = f'https://api.bilibili.com/x/v2/reply/main?&jsonp=jsonp&next=0&type=1&oid=589656273&mode=3&plat=1'
else:
url = f'https://api.bilibili.com/x/v2/reply/main?&jsonp=jsonp&next={a}&type=1&oid=589656273&mode=3&plat=1'
print(url)
html = requests.get(url, headers=headers).json()
for i in html['data']['replies']:
uname = i['member']['uname'] # 用戶名稱
sex = i['member']['sex'] # 用戶性別
mid = i['mid'] # 用戶id
current_level = i['member']['level_info']['current_level'] # vip等級(jí)
message = i['content']['message'].replace('\n', '') # 用戶評(píng)論
like = i['like'] # 評(píng)論點(diǎn)贊次數(shù)
ctime = i['ctime'] # 評(píng)論時(shí)間
data = pd.DataFrame({'用戶名稱': [uname], '用戶性別': [sex], '用戶id': [mid],
'vip等級(jí)': [current_level], '用戶評(píng)論': [message], '評(píng)論點(diǎn)贊次數(shù)': [like],
'評(píng)論時(shí)間': [ctime]})
df = pd.concat([df, data])
a += 1
except Exception as e:
print(e)
df.to_csv('奧運(yùn)會(huì).csv', encoding='utf-8')
print(df.shape)
結(jié)果展示，獲取的內(nèi)容不包括二級(jí)評(píng)論，如果需要，可自行爬取，操作步驟差不多：
本文以爬取電影《哥斯拉大戰(zhàn)金剛》為例，講解如何爬愛(ài)奇藝視頻的彈幕和評(píng)論！
網(wǎng)頁(yè)地址：
https://www.iqiyi.com/v_19rr0m845o.html
愛(ài)奇藝視頻的彈幕依然是要進(jìn)入開(kāi)發(fā)者工具進(jìn)行抓包，得到一個(gè)br壓縮文件，點(diǎn)擊可以直接下載，里面的內(nèi)容是二進(jìn)制數(shù)據(jù)，視頻每播放一分鐘，就加載一條數(shù)據(jù)包：
得到url，兩條url差別在于遞增的數(shù)字，60為視頻每60秒更新一次數(shù)據(jù)包：
https://cmts.iqiyi.com/bullet/64/00/1078946400_60_1_b2105043.br
https://cmts.iqiyi.com/bullet/64/00/1078946400_60_2_b2105043.br
br文件可以用brotli庫(kù)進(jìn)行解壓，但實(shí)際操作起來(lái)很難，特別是編碼等問(wèn)題，難以解決；在直接使用utf-8進(jìn)行解碼時(shí)，會(huì)報(bào)以下錯(cuò)誤：
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x91 in position 52: invalid start byte
在解碼中加入ignore，中文不會(huì)亂碼，但html格式出現(xiàn)亂碼，數(shù)據(jù)提取依然很難：
decode("utf-8", "ignore")
小刀被編碼弄到頭疼，如果有興趣的小伙伴可以對(duì)上面的內(nèi)容繼續(xù)研究，本文就不在進(jìn)行深入。所以本文采用另一個(gè)方法，對(duì)得到url進(jìn)行修改成以下鏈接而獲得.z壓縮文件：
https://cmts.iqiyi.com/bullet/64/00/1078946400_300_1.z
之所以如此更改，是因?yàn)檫@是愛(ài)奇藝以前的彈幕接口鏈接，他還未刪除或修改，目前還可以使用。該接口鏈接中1078946400是視頻id；300是以前愛(ài)奇藝的彈幕每5分鐘會(huì)加載出新的彈幕數(shù)據(jù)包，5分鐘就是300秒，《哥斯拉大戰(zhàn)金剛》時(shí)長(zhǎng)112.59分鐘，除以5向上取整就是23；1是頁(yè)數(shù)；64為id值的第7為和第8為數(shù)。
import requests
import pandas as pd
from lxml import etree
from zlib import decompress # 解壓
df = pd.DataFrame()
for i in range(1, 23):
url = f'https://cmts.iqiyi.com/bullet/64/00/1078946400_300_{i}.z'
bulletold = requests.get(url).content # 得到二進(jìn)制數(shù)據(jù)
decode = decompress(bulletold).decode('utf-8') # 解壓解碼
with open(f'{i}.html', 'a+', encoding='utf-8') as f: # 保存為靜態(tài)的html文件
f.write(decode)
html = open(f'./{i}.html', 'rb').read() # 讀取html文件
html = etree.HTML(html) # 用xpath語(yǔ)法進(jìn)行解析網(wǎng)頁(yè)
ul = html.xpath('/html/body/danmu/data/entry/list/bulletinfo')
for i in ul:
contentid = ''.join(i.xpath('./contentid/text()'))
content = ''.join(i.xpath('./content/text()'))
likeCount = ''.join(i.xpath('./likecount/text()'))
print(contentid, content, likeCount)
text = pd.DataFrame({'contentid': [contentid], 'content': [content], 'likeCount': [likeCount]})
df = pd.concat([df, text])
df.to_csv('哥斯拉大戰(zhàn)金剛.csv', encoding='utf-8', index=False)
結(jié)果展示：
愛(ài)奇藝視頻的評(píng)論在網(wǎng)頁(yè)下方，依然是動(dòng)態(tài)加載的內(nèi)容，需要進(jìn)入瀏覽器的開(kāi)發(fā)者工具進(jìn)行抓包，當(dāng)網(wǎng)頁(yè)下拉取時(shí)，會(huì)加載一條數(shù)據(jù)包，里面包含評(píng)論數(shù)據(jù)：
得到的真實(shí)url:
https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&authcookie=null&business_type=17&channel_id=1&content_id=1078946400&hot_size=10&last_id=&page=&page_size=10&types=hot,time&callback=jsonp_1629025964363_15405
https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&authcookie=null&business_type=17&channel_id=1&content_id=1078946400&hot_size=0&last_id=7963601726142521&page=&page_size=20&types=time&callback=jsonp_1629026041287_28685
https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&authcookie=null&business_type=17&channel_id=1&content_id=1078946400&hot_size=0&last_id=4933019153543021&page=&page_size=20&types=time&callback=jsonp_1629026394325_81937
第一條url加載的是精彩評(píng)論的內(nèi)容，第二條url開(kāi)始加載的是全部評(píng)論的內(nèi)容。經(jīng)過(guò)刪減不必要參數(shù)得到以下url:
https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&business_type=17&content_id=1078946400&last_id=&page_size=10
https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&business_type=17&content_id=1078946400&last_id=7963601726142521&page_size=20
https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&business_type=17&content_id=1078946400&last_id=4933019153543021&page_size=20
區(qū)別在于參數(shù)last_id和page_size。page_size在第一條url中的值為10，從第二條url開(kāi)始固定為20。last_id在首條url中值為空，從第二條開(kāi)始會(huì)不斷發(fā)生變化，經(jīng)過(guò)我的研究，last_id的值就是從前一條url中的最后一條評(píng)論內(nèi)容的用戶id（應(yīng)該是用戶id）；網(wǎng)頁(yè)數(shù)據(jù)格式為json格式。
import requests
import pandas as pd
import time
import random
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
df = pd.DataFrame()
try:
a = 0
while True:
if a == 0:
url = 'https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&business_type=17&content_id=1078946400&page_size=10'
else:
# 從id_list中得到上一條頁(yè)內(nèi)容中的最后一個(gè)id值
url = f'https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&business_type=17&content_id=1078946400&last_id={id_list[-1]}&page_size=20'
print(url)
res = requests.get(url, headers=headers).json()
id_list = [] # 建立一個(gè)列表保存id值
for i in res['data']['comments']:
ids = i['id']
id_list.append(ids)
uname = i['userInfo']['uname']
addTime = i['addTime']
content = i.get('content', '不存在') # 用get提取是為了防止鍵值不存在而發(fā)生報(bào)錯(cuò)，第一個(gè)參數(shù)為匹配的key值，第二個(gè)為缺少時(shí)輸出
text = pd.DataFrame({'ids': [ids], 'uname': [uname], 'addTime': [addTime], 'content': [content]})
df = pd.concat([df, text])
a += 1
time.sleep(random.uniform(2, 3))
except Exception as e:
print(e)
df.to_csv('哥斯拉大戰(zhàn)金剛_評(píng)論.csv', mode='a+', encoding='utf-8', index=False)
結(jié)果展示：
本文以爬取知乎熱點(diǎn)話題《如何看待網(wǎng)傳騰訊實(shí)習(xí)生向騰訊高層提出建議頒布拒絕陪酒相關(guān)條令？》為例，講解如爬取知乎回答！
網(wǎng)頁(yè)地址：
https://www.zhihu.com/question/478781972
經(jīng)過(guò)查看網(wǎng)頁(yè)源代碼等方式，確定該網(wǎng)頁(yè)回答內(nèi)容為動(dòng)態(tài)加載的，需要進(jìn)入瀏覽器的開(kāi)發(fā)者工具進(jìn)行抓包。進(jìn)入Noetwork→XHR，用鼠標(biāo)在網(wǎng)頁(yè)向下拉取，得到我們需要的數(shù)據(jù)包：
得到的真實(shí)url：
https://www.zhihu.com/api/v4/questions/478781972/answers?include=data%5B%2A%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cattachment%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Cis_labeled%2Cpaid_info%2Cpaid_info_content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_recognized%3Bdata%5B%2A%5D.mark_infos%5B%2A%5D.url%3Bdata%5B%2A%5D.author.follower_count%2Cvip_info%2Cbadge%5B%2A%5D.topics%3Bdata%5B%2A%5D.settings.table_of_content.enabled&limit=5&offset=0&platform=desktop&sort_by=default
https://www.zhihu.com/api/v4/questions/478781972/answers?include=data%5B%2A%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cattachment%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Cis_labeled%2Cpaid_info%2Cpaid_info_content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_recognized%3Bdata%5B%2A%5D.mark_infos%5B%2A%5D.url%3Bdata%5B%2A%5D.author.follower_count%2Cvip_info%2Cbadge%5B%2A%5D.topics%3Bdata%5B%2A%5D.settings.table_of_content.enabled&limit=5&offset=5&platform=desktop&sort_by=default
url有很多不必要的參數(shù)，大家可以在瀏覽器中自行刪減。兩條url的區(qū)別在于后面的offset參數(shù)，首條url的offset參數(shù)為0，第二條為5，offset是以公差為5遞增；網(wǎng)頁(yè)數(shù)據(jù)格式為json格式。
import requests
import pandas as pd
import re
import time
import random
df = pd.DataFrame()
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
for page in range(0, 1360, 5):
url = f'https://www.zhihu.com/api/v4/questions/478781972/answers?include=data%5B%2A%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cattachment%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Cis_labeled%2Cpaid_info%2Cpaid_info_content%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_recognized%3Bdata%5B%2A%5D.mark_infos%5B%2A%5D.url%3Bdata%5B%2A%5D.author.follower_count%2Cvip_info%2Cbadge%5B%2A%5D.topics%3Bdata%5B%2A%5D.settings.table_of_content.enabled&limit=5&offset={page}&platform=desktop&sort_by=default'
response = requests.get(url=url, headers=headers).json()
data = response['data']
for list_ in data:
name = list_['author']['name'] # 知乎作者
id_ = list_['author']['id'] # 作者id
created_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(list_['created_time'] )) # 回答時(shí)間
voteup_count = list_['voteup_count'] # 贊同數(shù)
comment_count = list_['comment_count'] # 底下評(píng)論數(shù)
content = list_['content'] # 回答內(nèi)容
content = ''.join(re.findall("[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b\u4e00-\u9fa5]", content)) # 正則表達(dá)式提取
print(name, id_, created_time, comment_count, content, sep='|')
dataFrame = pd.DataFrame(
{'知乎作者': [name], '作者id': [id_], '回答時(shí)間': [created_time], '贊同數(shù)': [voteup_count], '底下評(píng)論數(shù)': [comment_count],
'回答內(nèi)容': [content]})
df = pd.concat([df, dataFrame])
time.sleep(random.uniform(2, 3))
df.to_csv('知乎回答.csv', encoding='utf-8', index=False)
print(df.shape)
結(jié)果展示：
本文以爬取微博熱搜《霍尊手寫道歉信》為例，講解如何爬取微博評(píng)論！
網(wǎng)頁(yè)地址：
https://m.weibo.cn/detail/4669040301182509
微博評(píng)論是動(dòng)態(tài)加載的，進(jìn)入瀏覽器的開(kāi)發(fā)者工具后，在網(wǎng)頁(yè)上向下拉取會(huì)得到我們需要的數(shù)據(jù)包：
得到真實(shí)url:
https://m.weibo.cn/comments/hotflow?id=4669040301182509&mid=4669040301182509&max_id_type=0
https://m.weibo.cn/comments/hotflow?id=4669040301182509&mid=4669040301182509&max_id=3698934781006193&max_id_type=0
兩條url區(qū)別很明顯，首條url是沒(méi)有參數(shù)max_id的，第二條開(kāi)始max_id才出現(xiàn)，而max_id其實(shí)是前一條數(shù)據(jù)包中的max_id：
但有個(gè)需要注意的是參數(shù)max_id_type，它其實(shí)也是會(huì)變化的，所以我們需要從數(shù)據(jù)包中獲取max_id_type：
實(shí)戰(zhàn)代碼import re
import requests
import pandas as pd
import time
import random
df = pd.DataFrame()
try:
a = 1
while True:
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36'
}
resposen = requests.get('https://m.weibo.cn/detail/4669040301182509', headers=header)
# 微博爬取大概幾十頁(yè)會(huì)封賬號(hào)的，而通過(guò)不斷的更新cookies，會(huì)讓爬蟲更持久點(diǎn)...
cookie = [cookie.value for cookie in resposen.cookies] # 用列表推導(dǎo)式生成cookies部件
headers = {
# 登錄后的cookie， SUB用登錄后的
'cookie': f'WEIBOCN_FROM={cookie[3]}; SUB=; _T_WM={cookie[4]}; MLOGIN={cookie[1]}; M_WEIBOCN_PARAMS={cookie[2]}; XSRF-TOKEN={cookie[0]}',
'referer': 'https://m.weibo.cn/detail/4669040301182509',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36'
}
if a == 1:
url = 'https://m.weibo.cn/comments/hotflow?id=4669040301182509&mid=4669040301182509&max_id_type=0'
else:
url = f'https://m.weibo.cn/comments/hotflow?id=4669040301182509&mid=4669040301182509&max_id={max_id}&max_id_type={max_id_type}'
html = requests.get(url=url, headers=headers).json()
data = html['data']
max_id = data['max_id'] # 獲取max_id和max_id_type返回給下一條url
max_id_type = data['max_id_type']
for i in data['data']:
screen_name = i['user']['screen_name']
i_d = i['user']['id']
like_count = i['like_count'] # 點(diǎn)贊數(shù)
created_at = i['created_at'] # 時(shí)間
text = re.sub(r'<[^>]*>', '', i['text']) # 評(píng)論
print(text)
data_json = pd.DataFrame({'screen_name': [screen_name], 'i_d': [i_d], 'like_count': [like_count], 'created_at': [created_at],'text': [text]})
df = pd.concat([df, data_json])
time.sleep(random.uniform(2, 7))
a += 1
except Exception as e:
print(e)
df.to_csv('微博.csv', encoding='utf-8', mode='a+', index=False)
print(df.shape)
結(jié)果展示：
以上便是今天的全部?jī)?nèi)容了，如果你喜歡今天的內(nèi)容，希望你能在下方點(diǎn)個(gè)贊和在看支持我，謝謝！
聊時(shí)看了下斗魚直播，突然靈感乍現(xiàn)，想做出這個(gè)彈幕效果，于是有了下文
這里還是要說(shuō)一下我的前端學(xué)習(xí)群：594959296，從我一個(gè)到現(xiàn)在的都是看我每一篇文章來(lái)的，可以說(shuō)都是我們大前端的學(xué)霸啊，不定期分享干貨。想學(xué)到東西的都可以來(lái)，歡迎初學(xué)和進(jìn)階中的小伙伴
1、像優(yōu)酷、愛(ài)奇藝等，記錄用戶發(fā)送彈幕時(shí)該視頻播放的位置，其他人播放這個(gè)視頻時(shí)到了這個(gè)點(diǎn)就顯示彈幕。
2、像斗魚、熊貓這樣的直播網(wǎng)站，用戶發(fā)送彈幕直接顯示在屏幕上，以后不需要再顯示了。
我們就來(lái)做第二種！！！
實(shí)現(xiàn)效果
項(xiàng)目分析
1、獲取用戶輸入信息；
2、在頁(yè)面中創(chuàng)建一個(gè) <span></span>來(lái)放獲取到的文本，并添加一些樣式（字體大小、顏色等）；
3、給這個(gè) span添加一個(gè)從右向左移動(dòng)的動(dòng)畫；
4、動(dòng)畫結(jié)束后，移除這個(gè) <span>。
思路很清楚了，就來(lái)動(dòng)手實(shí)現(xiàn)一下。。
布局
頁(yè)面中要有一個(gè)輸入框讓用戶輸入信息，還要一個(gè)盒子用來(lái)顯示彈幕。為了美觀，我多加了一些東西。
1、#dm 是顯示彈幕的區(qū)域，input供用戶輸入信息（其中 placeholder 屬性規(guī)定輸入框中默認(rèn)顯示內(nèi)容）。
2、其它元素都是為了美觀和布局。
樣式
跟以前一樣，先給出代碼然后再講解。
1、首先還是格式化瀏覽器默認(rèn)的 margin和 padding。overflow屬性設(shè)置超出屏幕的部分隱藏，這樣就不會(huì)出現(xiàn)下拉和水平的滾動(dòng)條了。
2、#dm用來(lái)顯示彈幕，我們把它的高度設(shè)置為 90vh。vh 是 CSS3 中新增的長(zhǎng)度單位，表示相對(duì)于視口的高度。視口高度被均分為100單位的vh，90vh 就表示當(dāng)前瀏覽器可視區(qū)域高度的 90%。（vw 就是視口寬度）
3、#dm span是每條彈幕的樣式。你可以修改為你喜歡的樣子，不過(guò)一定要設(shè)置 position
定位屬性。
4、然后就是下面的輸入部分了。使用了 flex布局 （也是CSS3 中新增的內(nèi)容，太方便了）。只需要 align-items:center;justify-content:center; 這兩句就可以使其中的子元素在水平和垂直方向居中。所以 #idDom 和 #content都使用了。
5、然后就是 輸入框、按鈕的樣式了，沒(méi)什么好說(shuō)的，應(yīng)該都能看懂。
JS部分
先看看代碼吧。。
1、說(shuō)明：向頁(yè)面添加彈幕使用 addBarrage() 函數(shù)，添加動(dòng)畫用 move()函數(shù)。（把一種功能封裝為一個(gè)函數(shù)是一個(gè)好習(xí)慣）
2、首先思考一下彈幕的觸發(fā)事件。應(yīng)該有兩個(gè)：點(diǎn)擊“發(fā)射”按鈕、按下 Enter按鍵。所以分別監(jiān)聽(tīng)點(diǎn)擊 和 鍵盤事件。
3、然后就要思考怎么向頁(yè)面添加彈幕了？
先得到用戶輸入的信息
然后在頁(yè)面中創(chuàng)建一個(gè)
<span></span>
把得到的文本放進(jìn)去添加到 #dm這個(gè)盒子中：
這樣就可以了嗎？？ 當(dāng)然不是的。。
4、每條彈幕應(yīng)該有不同的顏色，這樣才炫酷。思路就是把預(yù)先的顏色放進(jìn)一個(gè)數(shù)組，使用的時(shí)候用隨機(jī)的下標(biāo)，這樣就獲得了隨機(jī)顏色。（借鑒斗魚的 7 中顏色）
這樣每條彈幕就有不同的顏色了。
5、每條彈幕在頁(yè)面上還要有不同的位置（高度），也就是不同的 top 值。我的想法是，雖然要有不同的 top ，但也不能太隨意。就像下面這樣：（一行是一行的）
我的思路是：先判斷頁(yè)面可以放多少行？
然后計(jì)算可以有的 top 值：（加 10 是為了不至于緊挨著屏幕頂部，最后的 -1 是為了不至于太靠下 ）
你可以自己理解一下我的這種計(jì)算方式。。
然后應(yīng)用給
<span>
即可：
6、對(duì)了，彈幕應(yīng)該添加到頁(yè)面的什么位置呢？因?yàn)閺椖灰獜挠彝笠苿?dòng)，所以應(yīng)該添加到屏幕的右側(cè)，left 值為瀏覽器頁(yè)面的寬度。這時(shí)候就知道為什么前面要設(shè)置 body 的 overflow: hidden;了吧！！
動(dòng)畫
彈幕（也就是<span>）被添加到頁(yè)面中了，我們要讓他動(dòng)起來(lái)。思路就是寫一個(gè)函數(shù)，減少 <span>
的 left 值。每隔幾毫秒執(zhí)行一次這個(gè)函數(shù)，我們看起來(lái)這個(gè) <span>元素就動(dòng)起來(lái)了。
7、但是有幾個(gè)問(wèn)題：
頁(yè)面中有多少個(gè)彈幕（<span>）？因?yàn)轫?yè)面中只有 彈幕 使用的是 <span> 標(biāo)簽，所以這樣就可以獲取所有 <span>的 nodeList（類似數(shù)組但不是數(shù)組，可以使用下標(biāo)索引訪問(wèn)）：
怎樣記錄每條彈幕的 left 值？獲取到所有的 <span>后，用一個(gè) for 循環(huán)將每一個(gè) <span> 的 left 值放進(jìn)一個(gè)數(shù)組：
這樣 arr[] 就保存了所有彈幕的 left 值。
8、接下來(lái)我們就逐個(gè)減少每條彈幕的 left 值：
9、最后判斷如果彈幕已經(jīng)移出了頁(yè)面的左邊，就把這條彈幕刪除了吧。
我們可以在開(kāi)發(fā)工具中看一下這個(gè)過(guò)程：
彈幕的 left 一直減小，移出頁(yè)面后 #dm中就沒(méi)有這個(gè) <span>了。
10、最后處理一個(gè)小細(xì)節(jié)吧！當(dāng)我們點(diǎn)擊按鈕或按回車后，輸入框中的文字會(huì)保留，影響我們下次輸入，所以只要獲取到了用戶輸入的內(nèi)容，就把輸入框清空吧！
到此，彈幕就實(shí)現(xiàn)了。。。
學(xué)習(xí)javascript也是有門檻的，就是你的html和css至少還比較熟練，您不能連html這東東是干啥的都不知道就開(kāi)始學(xué)javascript了，學(xué)乘除前，學(xué)好加減法總是有益無(wú)害的。
著視頻網(wǎng)站和直播網(wǎng)站的興起，彈幕的功能算是一個(gè)核心元素，彈幕最初是由日本視頻網(wǎng)站Niconico引入的，國(guó)內(nèi)除了在Bilibili和AcFun等彈幕視頻網(wǎng)站中使用之外，其他主流視頻網(wǎng)站中的視頻播放器也支持彈幕，對(duì)于視頻網(wǎng)站和直播網(wǎng)站來(lái)說(shuō)，彈幕的交互實(shí)時(shí)性更高，更加受歡迎。
本文重點(diǎn)介紹一下彈幕的基本原理，以及JavaScript和HTML的代碼實(shí)現(xiàn)方式，最后分享一個(gè)彈幕的開(kāi)源庫(kù)。
關(guān)于視頻網(wǎng)站建設(shè)，可以參考我們之前的通過(guò)Drupal構(gòu)建自建視頻課程平臺(tái)。
單條彈幕的屬性
彈幕的特性：
彈幕的基本模式：
彈幕的使用場(chǎng)景：
彈幕本身不是對(duì)視頻的操作，其實(shí)是給視頻上面加DIV等DOM元素，也就是給視頻上面加層，然后展示我們想要的內(nèi)容即可，目前彈幕的主要實(shí)現(xiàn)有兩種方式：
首先，這種我們自然想到用Canvas，使用Canvas能很方便地繪制動(dòng)畫，并且獲得非常不錯(cuò)的性能，目前前端不少動(dòng)畫都是通過(guò)Canvas去做。不過(guò)對(duì)于基于Canvas的動(dòng)畫而言，最大的問(wèn)題就是“交互性”上面。
如果用HTML+CSS的方式實(shí)現(xiàn)，我們可以很簡(jiǎn)單地通過(guò)監(jiān)聽(tīng)原生DOM事件去知道哪一條彈幕與用戶鼠標(biāo)發(fā)生了交互。但是通過(guò)Canvas，我們只能通過(guò)監(jiān)聽(tīng)畫布的事件，然后做一堆遍歷計(jì)算坐標(biāo)的騷操作去確定是哪一條彈幕。從鵝廠的視頻網(wǎng)站可以看到，他們的彈幕是可交互的，所以他們使用了HTML+CSS的實(shí)現(xiàn)方式；而B站的彈幕是非交互的，它提供Canvas和HTML+CSS可選，默認(rèn)是前者。
雖然功能性上兩者的實(shí)現(xiàn)會(huì)有點(diǎn)差異，但彈幕的基本原理都是一樣。
所以彈幕本身就是對(duì)DIV元素的操作，DIV層一般在Video層上面，類似下面的圖，不過(guò)也有放在Video層下面，彈幕層在底下，詳情參考這篇文章的介紹 https://github.com/logcas/a-barrage
多層的彈幕實(shí)現(xiàn)
我們先分析一下文檔管理系統(tǒng)的基本需求以及功能點(diǎn)，
從上圖可以看到，彈幕是很清晰地分成了一行一行，我把它們稱為“軌道”。每一個(gè)彈幕都只在軌道上從右往左移動(dòng)，不會(huì)越界。那么，要實(shí)現(xiàn)彈幕功能，首先我們必須把彈幕分成若干個(gè)軌道，然后再在合適的時(shí)間把彈幕“塞”進(jìn)去讓它平移。
每一個(gè)軌道會(huì)有兩個(gè)屬性：
barrages: T[] = []
offset: number = 0
barrages為一個(gè)彈幕數(shù)組，offset則是已占據(jù)的寬度。offset用于滾動(dòng)彈幕時(shí)，彈幕軌道添加彈幕前判斷最佳軌道；當(dāng)彈幕類型時(shí)固定時(shí)無(wú)作用。barrages存放當(dāng)前軌道上可現(xiàn)實(shí)的彈幕實(shí)例。
每一個(gè)軌道實(shí)例管理自己軌道中的數(shù)組，主要進(jìn)行進(jìn)行增、刪、重置以及更新offest的操作。
push(...items: T[]) {
this.barrages.push(...items)
}
刪除彈幕
remove(index: number) {
if (index < 0 || index >= this.barrages.length) { return }
this.barrages.splice(index, 1)
}
重置軌道
reset() {
this.barrages = [] this.offset = 0
}
更新剩余軌
updateOffset() {
const endBarrage = this.barrages[this.barrages.length - 1]
if (endBarrage && isScrollBarrage(endBarrage)) {
const { speed } = endBarrage this.offset -= speed
} }
在知名的男性交友網(wǎng)站github上，已經(jīng)有一款很好用的彈幕開(kāi)源解決方案，并且是國(guó)產(chǎn)的，叫abarrage，同時(shí)實(shí)現(xiàn)了Canvas和HTML+CSS的模式，要用的話直接在github把源代碼擼下來(lái)，并且有在線的體驗(yàn)地址，效果非常不錯(cuò)。
A-Barrage 同時(shí)支持Canvas渲染和HTML+CSS的渲染模式，你可以根據(jù)實(shí)際情況采用不同的渲染引擎進(jìn)行彈幕的渲染。其中，Canvas是非交互式渲染，也就是說(shuō)，采用Canvas渲染的彈幕并不會(huì)有任何的交互操作，純展示性質(zhì)；HTML+CSS是交互式渲染，如果你的網(wǎng)站允許用戶與彈幕之間進(jìn)行一些交互（如點(diǎn)贊、回復(fù)等），那么可以采用HTML+CSS的渲染模式，它會(huì)結(jié)合瀏覽器的DOM事件進(jìn)行響應(yīng)。
github地址： https://github.com/logcas/a-barrage
測(cè)試地址： https://logcas.github.io/a-barrage/example/css3.html
網(wǎng)站首頁(yè)
發(fā)彈幕截圖
*請(qǐng)認(rèn)真填寫需求信息，我們會(huì)在24小時(shí)內(nèi)與您取得聯(lián)系。
