世界今头条！【2023最新B站评论爬虫】用python爬取上千条哔哩哔哩评论

2022-12-11 09:09:05 来源：博客园

您好，我是@马哥python说，一枚10年程序猿。

(资料图片仅供参考)

一、爬取目标

之前，我分享过一些B站的爬虫：【Python爬虫案例】用Python爬取李子柒B站视频数据【Python爬虫案例】用python爬哔哩哔哩搜索结果【爬虫+情感判定+Top10高频词+词云图】"谷爱凌"热门弹幕python舆情分析

但我学习群中小伙伴频繁讨论B站评论的爬取，所以，再分享一个B站视频评论的爬虫。

二、展示爬取结果

首先，看下部分爬取数据：

爬取字段含：视频链接、评论页码、评论作者、评论时间、IP属地、点赞数、评论内容。

三、爬虫代码

导入需要用到的库：

import requests  # 发送请求import pandas as pd  # 保存csv文件import os  # 判断文件是否存在import timefrom time import sleep  # 设置等待，防止反爬import random  # 生成随机数

定义一个请求头：

# 请求头headers = {    "authority": "api.bilibili.com",    "accept": "application/json, text/plain, */*",    "accept-language": "zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6",    # 需定期更换cookie，否则location爬不到    "cookie": "需换成自己的cookie值",    "origin": "https://www.bilibili.com",    "referer": "https://www.bilibili.com/video/BV1FG4y1Z7po/?spm_id_from=333.337.search-card.all.click&vd_source=69a50ad969074af9e79ad13b34b1a548",    "sec-ch-ua": ""Chromium";v="106", "Microsoft Edge";v="106", "Not;A=Brand";v="99"",    "sec-ch-ua-mobile": "?0",    "sec-ch-ua-platform": ""Windows"",    "sec-fetch-dest": "empty",    "sec-fetch-mode": "cors",    "sec-fetch-site": "same-site",    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.47"}

请求头中的cookie是个很关键的参数，如果不设置cookie，会导致数据残缺或无法爬取到数据。那么cookie如何获取呢？打开开发者模式，见下图：

由于评论时间是个十位数：

所以开发一个函数用于转换时间格式：

def trans_date(v_timestamp):    """10位时间戳转换为时间字符串"""    timeArray = time.localtime(v_timestamp)    otherStyleTime = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)    return otherStyleTime

向B站发送请求：

response = requests.get(url, headers=headers, )  # 发送请求

接收到返回数据了，怎么解析数据呢？看一下json数据结构：

0-19个评论，都存放在replies下面，replies又在data下面，所以，这样解析数据：

data_list = response.json()["data"]["replies"]  # 解析评论数据

这样，data_list里面就是存储的每条评论数据了。接下来吗，就是解析出每条评论里的各个字段了。我们以评论内容这个字段为例：

comment_list = []  # 评论内容空列表# 循环爬取每一条评论数据for a in data_list:    # 评论内容    comment = a["content"]["message"]    comment_list.append(comment)

其他字段同理，不再赘述。

最后，把这些列表数据保存到DataFrame里面，再to_csv保存到csv文件，持久化存储完成：

# 把列表拼装为DataFrame数据df = pd.DataFrame({    "视频链接": "https://www.bilibili.com/video/" + v_bid,    "评论页码": (i + 1),    "评论作者": user_list,    "评论时间": time_list,    "IP属地": location_list,    "点赞数": like_list,    "评论内容": comment_list,})# 把评论数据保存到csv文件df.to_csv(outfile, mode="a+", encoding="utf_8_sig", index=False, header=header)

注意，加上encoding="utf_8_sig"，否则可能会产生乱码问题！

下面，是主函数循环爬取部分代码：（支持多个视频的循环爬取）

# 随便找了几个"世界杯"相关的视频IDbid_list = ["BV1DP411g7jx", "BV1M24y117K3", "BV1nt4y1N7Kj"]# 评论最大爬取页（每页20条评论）max_page = 30# 循环爬取这几个视频的评论for bid in bid_list:    # 输出文件名    outfile = "b站评论_{}.csv".format(now)    # 转换aid    aid = bv2av(bid=bid)    # 爬取评论    get_comment(v_aid=aid, v_bid=bid)

四、同步视频

演示视频：https://www.zhihu.com/zvideo/1584884344677437440

完整代码：【B站评论爬虫】用python爬取上千条哔哩哔哩评论

关键词：发送请求哔哩哔哩不再赘述