基本开发环境

• Python 3.6
• Pycharm

相关模块的使用

• jieba
• wordcloud

安装Python并添加到环境变量，pip安装需要的相关模块即可。

一、明确需求

选择 <欢乐喜剧人 第七季> 爬取网友发送的弹幕信息

 

二、分析网页数据

复制网页中的弹幕，再开发者工具里面进行搜索。

 

这里面就有对应的弹幕数据。这个url地址有一个小特点，链接包含着 danmu 所以大胆尝试一下，过滤搜索一下 danmu 这个关键词，看一下是否有像类似的内容

 

通过链接的参数对比，可以看到每个url地址参数的变化

 

循环遍历就可以实现爬取整个视频的弹幕了。

三、解析数据

 

在这里想问一下，你觉得请求这个url地址给你返回的数据是什么样的数据？给大家三秒考虑时间。

1 …2…3…

好的，现在公布答案了，它是一个 字符串 你没有听错。如果你直接获取 respons.json() 那你会出现报错

 

那如何才能让它编程json数据呢，毕竟json数据更好提取数据。

第一种方法

 

• 正则匹配提取中间的数据部分的数据
• 导入json模块，字符串转json数据

import requests
import re
import json
import pprint
url = 'https://mfm.video.qq.com/danmu?otype=json&callback=jQuery19108312825154929784_1611577043265&target_id=6416481842%26vid%3Dt0035rsjty9&session_key=30475%2C0%2C1611577043×tamp=105&_=1611577043296'

headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
result = re.findall('jQuery19108312825154929784_1611577043265\((.*?)\)', response.text)[0]
json_data = json.loads(result)
pprint.pprint(json_data)

 

第二种方法

删除链接中的 callback=jQuery19108312825154929784_1611577043265 就可以直接使用 response.json()

import requests
import pprint
url = 'https://mfm.video.qq.com/danmu?otype=json&target_id=6416481842%26vid%3Dt0035rsjty9&session_key=30475%2C0%2C1611577043×tamp=105&_=1611577043296'

headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# result = re.findall('jQuery19108312825154929784_1611577043265\((.*?)\)', response.text)[0]
json_data = response.json()
pprint.pprint(json_data)

这样也可以，而且可以让代码更加简单。

小知识点：

pprint 是格式化输出模块，让类似json数据输出的效果更加好看

完整实现代码

import requests
for page in range(15, 150, 15):
    url = 'https://mfm.video.qq.com/danmu'
    params = {
        'otype': 'json',
        'target_id': '6416481842&vid=t0035rsjty9',
        'session_key': '30475,0,1611577043',
        'timestamp': page,
        '_': '1611577043296',
    }
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
    }
    response = requests.get(url=url, params=params, headers=headers)
    json_data = response.json()
    contents = json_data['comments']
    for i in contents:
        content = i['content']
        with open('喜剧人弹幕.txt', mode='a', encoding='utf-8') as f:
            f.write(content)
            f.write('\n')
            print(content)

代码还是比较简单的。没有什么特别的难度。

 

文章出处：https://www.cnblogs.com/hhh188764/p/14335438.html