整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
天講解如何用python爬取芒果TV、騰訊視頻、B站、愛奇藝、知乎、微博這幾個常見常用的影視、輿論平臺的彈幕和評論，這類爬蟲得到的結果一般用于娛樂、輿情分析，如:新出一部火爆的電影，爬取彈幕評論分析他為什么這么火;微博又出大瓜，爬取底下評論看看網友怎么說，等等這娛樂性分析。
本文爬取一共六個平臺，十個爬蟲案例，如果只對個別案例感興趣的可以根據：芒果TV、騰訊視頻、B站、愛奇藝、知乎、微博這一順序進行拉取觀看。完整的實戰源碼已在文中，我們廢話不多說，下面開始操作！
本文以爬取電影《懸崖之上》為例，講解如何爬取芒果TV視頻的彈幕和評論！
網頁地址：
https://www.mgtv.com/b/335313/12281642.html?fpa=15800&fpos=8&lastp=ch_movie
彈幕數據所在的文件是動態加載的，需要進入瀏覽器的開發者工具進行抓包，得到彈幕數據所在的真實url。當視頻播放一分鐘它就會更新一個json數據包，里面包含我們需要的彈幕數據。
得到的真實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
可以發現，每條url的差別在于后面的數字，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條數據包。
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')
resposen = requests.get(f'https://bullet-ali.hitv.com/bullet/2021/08/3/004902/12281642/{e}.json', headers=headers)
# 直接用json提取數據
for i in resposen.json()['data']['items']:
ids = i['ids'] # 用戶id
content = i['content'] # 彈幕內容
time = i['time'] # 彈幕發生時間
# 有些文件中不存在點贊數
try:
v2_up_count = i['v2_up_count']
except:
v2_up_count = ''
text = pd.DataFrame({'ids': [ids], '彈幕': [content], '發生時間': [time]})
df = pd.concat([df, text])
df.to_csv('懸崖之上.csv', encoding='utf-8', index=False)
結果展示：
芒果TV視頻的評論需要拉取到網頁下面進行查看。評論數據所在的文件依然是動態加載的，進入開發者工具，按下列步驟進行抓包：Network→js,最后點擊查看更多評論。
加載出來的依然是js文件，里面包含評論數據。得到的真實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
其中有差別的參數有page和_，page是頁數，_是時間戳；url中的時間戳刪除后不影響數據完整性，但里面的callback參數會干擾數據解析，所以進行刪除。最后得到url:
https://comment.mgtv.com/v4/comment/getCommentList?page=1&subjectType=hunantv2014&subjectId=12281642&_support=10000000
數據包中每頁包含15條評論數據，評論總數是2527，得到最大頁為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'] # 被點贊數
date = i['date'] # 發送日期
content = i['content'] # 評論內容
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論！
網頁地址：
https://v.qq.com/x/cover/mzc00200m72fcup.html
依然進入瀏覽器的開發者工具進行抓包，當視頻播放30秒它就會更新一個json數據包，里面包含我們需要的彈幕數據。
得到真實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
其中有差別的參數有timestamp和_。_是時間戳。timestamp是頁數，首條url為15，后面以公差為30遞增，公差是以數據包更新時長為基準，而最大頁數為視頻時長7245秒。依然刪除不必要參數，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，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_彈幕.csv', encoding='utf-8', index=False)
結果展示：
騰訊視頻評論數據在網頁底部，依然是動態加載的，需要按下列步驟進入開發者工具進行抓包：
點擊查看更多評論后，得到的數據包含有我們需要的評論數據，得到的真實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callback以及_刪除即可。重要的是參數cursor，第一條url參數cursor是等于0的，第二條url才出現，所以要查找cursor參數是怎么出現的。經過我的觀察，cursor參數其實是上一條url的last參數：
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
# 此處必須設定循環次數，否則會無限重復爬取
# 281為參照數據包中的oritotal,數據包中一共10條數據，循環280次得到2800條數據，但不包括底下回復的評論
# 數據包中的commentnum，是包括回復的評論數據的總數，而數據包都包含10條評論數據和底下的回復的評論數據，所以只需要把2800除以10取整數+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_評論.csv', encoding='utf-8', index=False)
效果展示：
本文以爬取視頻《“ 這是我見過最拽的一屆中國隊奧運冠軍”》為例，講解如何爬取B站視頻的彈幕和評論！
網頁地址：
https://www.bilibili.com/video/BV1wq4y1Q7dp
B站視頻的彈幕不像騰訊視頻那樣，播放視頻就會觸發彈幕數據包，他需要點擊網頁右側的彈幕列表行的展開，然后點擊查看歷史彈幕獲得視頻彈幕開始日到截至日鏈接：
鏈接末尾以oid以及開始日期來構成彈幕日期url：
https://api.bilibili.com/x/v2/dm/history/index?type=1&oid=384801460&month=2021-08
在上面的的基礎之上，點擊任一有效日期即可獲得這一日期的彈幕數據包，里面的內容目前是看不懂的，之所以確定它為彈幕數據包，是因為點擊了日期他才加載出來，且鏈接與前面的鏈接具有相關性：
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參數為剛才的的日期，而獲得該視頻全部彈幕內容，只需要更改data參數即可。而data參數可以從上面的彈幕日期url獲得，也可以自行構造；網頁數據格式為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' # 開始日期
main(oid, month)
結果展示：
B站視頻的評論內容在網頁下方，進入瀏覽器的開發者工具后，只需要向下拉取即可加載出數據包：
得到真實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，以及_和callback參數。_和callback一個是時間戳，一個是干擾參數，刪除即可。next參數第一條為0，第二條為2，第三條為3，所以第一條next參數固定為0，第二條開始遞增；網頁數據格式為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
message = i['content']['message'].replace('\n', '') # 用戶評論
like = i['like'] # 評論點贊次數
ctime = i['ctime'] # 評論時間
data = pd.DataFrame({'用戶名稱': [uname], '用戶性別': [sex], '用戶id': [mid],
'vip等級': [current_level], '用戶評論': [message], '評論點贊次數': [like],
'評論時間': [ctime]})
df = pd.concat([df, data])
a += 1
except Exception as e:
print(e)
df.to_csv('奧運會.csv', encoding='utf-8')
print(df.shape)
結果展示，獲取的內容不包括二級評論，如果需要，可自行爬取，操作步驟差不多：
本文以爬取電影《哥斯拉大戰金剛》為例，講解如何爬愛奇藝視頻的彈幕和評論！
網頁地址：
https://www.iqiyi.com/v_19rr0m845o.html
愛奇藝視頻的彈幕依然是要進入開發者工具進行抓包，得到一個br壓縮文件，點擊可以直接下載，里面的內容是二進制數據，視頻每播放一分鐘，就加載一條數據包：
得到url，兩條url差別在于遞增的數字，60為視頻每60秒更新一次數據包：
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庫進行解壓，但實際操作起來很難，特別是編碼等問題，難以解決；在直接使用utf-8進行解碼時，會報以下錯誤：
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x91 in position 52: invalid start byte
在解碼中加入ignore，中文不會亂碼，但html格式出現亂碼，數據提取依然很難：
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上面的內容繼續研究，本文就不在進行深入。所以本文采用另一個方法，對得到url進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，是因為這是愛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是以前愛奇藝的彈幕每5分鐘會加載出新的彈幕數據包，5分鐘就是300秒，《哥斯拉大戰金剛》時長112.59分鐘，除以5向上取整就是23；1是頁數；64為id值的第7為和第8為數。
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 # 得到二進制數據
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語法進行解析網頁
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('哥斯拉大戰金剛.csv', encoding='utf-8', index=False)
結果展示：
愛奇藝視頻的評論在網頁下方，依然是動態加載的內容，需要進入瀏覽器的開發者工具進行抓包，當網頁下拉取時，會加載一條數據包，里面包含評論數據：
得到的真實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加載的是精彩評論的內容，第二條url開始加載的是全部評論的內容。經過刪減不必要參數得到以下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
區別在于參數last_id和page_size。page_size在第一條url中的值為10，從第二條url開始固定為20。last_id在首條url中值為空，從第二條開始會不斷發生變化，經過我的研究，last_id的值就是從前一條url中的最后一條評論內容的用戶id（應該是用戶id）；網頁數據格式為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中得到上一條頁內容中的最后一個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生報錯，第一個參數為匹配的key值，第二個為缺少時輸出
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('哥斯拉大戰金剛_評論.csv', mode='a+', encoding='utf-8', index=False)
結果展示：
本文以爬取知乎熱點話題《如何看待網傳騰訊實習生向騰訊高層提出建議頒布拒絕陪酒相關條令？》為例，講解如爬取知乎回答！
網頁地址：
https://www.zhihu.com/question/478781972
經過查看網頁源代碼等方式，確定該網頁回答內容為動態加載的，需要進入瀏覽器的開發者工具進行抓包。進入Noetwork→XHR，用鼠標在網頁向下拉取，得到我們需要的數據包：
得到的真實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，大家可以在瀏覽器中自行刪減。兩條url的區別在于后面的offset參數，首條url的offset參數為0，第二條為5，offset是以公差為5遞增；網頁數據格式為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'] )) # 回答時間
voteup_count = list_['voteup_count'] # 贊同數
comment_count = list_['comment_count'] # 底下評論數
content = list_['content'] # 回答內容
content = ''.join(re.findall("[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b\u4e00-\u9fa5]", content)) # 正則表達式提取
print(name, id_, created_time, comment_count, content, sep='|')
dataFrame = pd.DataFrame(
{'知乎作者': [name], '作者id': [id_], '回答時間': [created_time], '贊同數': [voteup_count], '底下評論數': [comment_count],
'回答內容': [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論！
網頁地址：
https://m.weibo.cn/detail/4669040301182509
微博評論是動態加載的，進入瀏覽器的開發者工具后，在網頁上向下拉取會得到我們需要的數據包：
得到真實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區別很明顯，首條url是沒有參數max_id的，第二條開始max_id才出現，而max_id其實是前一條數據包中的max_id：
但有個需要注意的是參數max_id_type，它其實也是會變化的，所以我們需要從數據包中獲取max_id_type：
實戰代碼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會封賬號的，而通過不斷的更新cookies，會讓爬蟲更持久點...
cookie = [cookie.value for cookie in resposen.cookies] # 用列表推導式生成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'] # 點贊數
created_at = i['created_at'] # 時間
text = re.sub(r'<[^>]*>', '', i['text']) # 評論
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)
結果展示：
以上便是今天的全部內容了，如果你喜歡今天的內容，希望你能在下方點個贊和在看支持我，謝謝！
聊時看了下斗魚直播，突然靈感乍現，想做出這個彈幕效果，于是有了下文
這里還是要說一下我的前端學習群：594959296，從我一個到現在的都是看我每一篇文章來的，可以說都是我們大前端的學霸啊，不定期分享干貨。想學到東西的都可以來，歡迎初學和進階中的小伙伴
1、像優酷、愛奇藝等，記錄用戶發送彈幕時該視頻播放的位置，其他人播放這個視頻時到了這個點就顯示彈幕。
2、像斗魚、熊貓這樣的直播網站，用戶發送彈幕直接顯示在屏幕上，以后不需要再顯示了。
我們就來做第二種?。?！
實現效果
項目分析
1、獲取用戶輸入信息；
2、在頁面中創建一個 <span></span>來放獲取到的文本，并添加一些樣式（字體大小、顏色等）；
3、給這個 span添加一個從右向左移動的動畫；
4、動畫結束后，移除這個 <span>。
思路很清楚了，就來動手實現一下。。
布局
頁面中要有一個輸入框讓用戶輸入信息，還要一個盒子用來顯示彈幕。為了美觀，我多加了一些東西。
1、#dm 是顯示彈幕的區域，input供用戶輸入信息（其中 placeholder 屬性規定輸入框中默認顯示內容）。
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的 margin和 padding。overflow屬性設置超出屏幕的部分隱藏，這樣就不會出現下拉和水平的滾動條了。
2、#dm用來顯示彈幕，我們把它的高度設置為 90vh。vh 是 CSS3 中新增的長度單位，表示相對于視口的高度。視口高度被均分為100單位的vh，90vh 就表示當前瀏覽器可視區域高度的 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，不過一定要設置 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，沒什么好說的，應該都能看懂。
JS部分
先看看代碼吧。。
1、說明：向頁面添加彈幕使用 addBarrage() 函數，添加動畫用 move()函數。（把一種功能封裝為一個函數是一個好習慣）
2、首先思考一下彈幕的觸發事件。應該有兩個：點擊“發射”按鈕、按下 Enter按鍵。所以分別監聽點擊 和 鍵盤事件。
3、然后就要思考怎么向頁面添加彈幕了？
先得到用戶輸入的信息
然后在頁面中創建一個
<span></span>
把得到的文本放進去添加到 #dm這個盒子中：
這樣就可以了嗎？？ 當然不是的。。
4、每條彈幕應該有不同的顏色，這樣才炫酷。思路就是把預先的顏色放進一個數組，使用的時候用隨機的下標，這樣就獲得了隨機顏色。（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：先判斷頁面可以放多少行？
然后計算可以有的 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算方式。。
然后應用給
<span>
即可：
6、對了，彈幕應該添加到頁面的什么位置呢？因為彈幕要從右往左移動，所以應該添加到屏幕的右側，left 值為瀏覽器頁面的寬度。這時候就知道為什么前面要設置 body 的 overflow: hidden;了吧??！
動畫
彈幕（也就是<span>）被添加到頁面中了，我們要讓他動起來。思路就是寫一個函數，減少 <span>
的 left 值。每隔幾毫秒執行一次這個函數，我們看起來這個 <span>元素就動起來了。
7、但是有幾個問題：
頁面中有多少個彈幕（<span>）？因為頁面中只有 彈幕 使用的是 <span> 標簽，所以這樣就可以獲取所有 <span>的 nodeList（類似數組但不是數組，可以使用下標索引訪問）：
怎樣記錄每條彈幕的 left 值？獲取到所有的 <span>后，用一個 for 循環將每一個 <span> 的 left 值放進一個數組：
這樣 arr[] 就保存了所有彈幕的 left 值。
8、接下來我們就逐個減少每條彈幕的 left 值：
9、最后判斷如果彈幕已經移出了頁面的左邊，就把這條彈幕刪除了吧。
我們可以在開發工具中看一下這個過程：
彈幕的 left 一直減小，移出頁面后 #dm中就沒有這個 <span>了。
10、最后處理一個小細節吧！當我們點擊按鈕或按回車后，輸入框中的文字會保留，影響我們下次輸入，所以只要獲取到了用戶輸入的內容，就把輸入框清空吧！
到此，彈幕就實現了。。。
學習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始學javascript了，學乘除前，學好加減法總是有益無害的。
著視頻網站和直播網站的興起，彈幕的功能算是一個核心元素，彈幕最初是由日本視頻網站Niconico引入的，國內除了在Bilibili和AcFun等彈幕視頻網站中使用之外，其他主流視頻網站中的視頻播放器也支持彈幕，對于視頻網站和直播網站來說，彈幕的交互實時性更高，更加受歡迎。
本文重點介紹一下彈幕的基本原理，以及JavaScript和HTML的代碼實現方式，最后分享一個彈幕的開源庫。
關于視頻網站建設，可以參考我們之前的通過Drupal構建自建視頻課程平臺。
單條彈幕的屬性
彈幕的特性：
彈幕的基本模式：
彈幕的使用場景：
彈幕本身不是對視頻的操作，其實是給視頻上面加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容即可，目前彈幕的主要實現有兩種方式：
首先，這種我們自然想到用Canvas，使用Canvas能很方便地繪制動畫，并且獲得非常不錯的性能，目前前端不少動畫都是通過Canvas去做。不過對于基于Canvas的動畫而言，最大的問題就是“交互性”上面。
如果用HTML+CSS的方式實現，我們可以很簡單地通過監聽原生DOM事件去知道哪一條彈幕與用戶鼠標發生了交互。但是通過Canvas，我們只能通過監聽畫布的事件，然后做一堆遍歷計算坐標的騷操作去確定是哪一條彈幕。從鵝廠的視頻網站可以看到，他們的彈幕是可交互的，所以他們使用了HTML+CSS的實現方式；而B站的彈幕是非交互的，它提供Canvas和HTML+CSS可選，默認是前者。
雖然功能性上兩者的實現會有點差異，但彈幕的基本原理都是一樣。
所以彈幕本身就是對DIV元素的操作，DIV層一般在Video層上面，類似下面的圖，不過也有放在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
多層的彈幕實現
我們先分析一下文檔管理系統的基本需求以及功能點，
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”。每一個彈幕都只在軌道上從右往左移動，不會越界。那么，要實現彈幕功能，首先我們必須把彈幕分成若干個軌道，然后再在合適的時間把彈幕“塞”進去讓它平移。
每一個軌道會有兩個屬性：
barrages: T[] = []
offset: number = 0
barrages為一個彈幕數組，offset則是已占據的寬度。offset用于滾動彈幕時，彈幕軌道添加彈幕前判斷最佳軌道；當彈幕類型時固定時無作用。barrages存放當前軌道上可現實的彈幕實例。
每一個軌道實例管理自己軌道中的數組，主要進行進行增、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站github上，已經有一款很好用的彈幕開源解決方案，并且是國產的，叫abarrage，同時實現了Canvas和HTML+CSS的模式，要用的話直接在github把源代碼擼下來，并且有在線的體驗地址，效果非常不錯。
A-Barrage 同時支持Canvas渲染和HTML+CSS的渲染模式，你可以根據實際情況采用不同的渲染引擎進行彈幕的渲染。其中，Canvas是非交互式渲染，也就是說，采用Canvas渲染的彈幕并不會有任何的交互操作，純展示性質；HTML+CSS是交互式渲染，如果你的網站允許用戶與彈幕之間進行一些交互（如點贊、回復等），那么可以采用HTML+CSS的渲染模式，它會結合瀏覽器的DOM事件進行響應。
github地址： https://github.com/logcas/a-barrage
測試地址： https://logcas.github.io/a-barrage/example/css3.html
網站首頁
發彈幕截圖
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
