【2023最新B站评论爬虫】用python爬取上千条哔哩哔哩评论

2023-12-21 18:50| 来源: 网络整理| 查看: 265

文章目录一、爬取目标二、展示爬取结果三、爬虫代码四、同步视频五、附完整源码您好，我是 @马哥python说，一枚10年程序猿。

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 time from 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ID bid_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：【2023爬虫演示】用python抓取上千条「卡塔尔世界杯」B站评论！

五、附完整源码

附完整代码：【B站评论爬虫】用python爬取上千条哔哩哔哩评论

我是马哥，全网累计粉丝上万，欢迎一起交流python技术。

各平台搜索“马哥python说”：知乎、哔哩哔哩、小红书、新浪微博。

【本文地址】

公司简介

联系我们