最终版的Crawler.py爬取b站弹幕代码

Crawler.py

@@ -0,0 +1,150 @@
+import time  # 导入时间模块，用于处理时间相关的功能
+from typing import List  # 从 typing 模块导入 List，用于类型注解
+import requests  # 导入 requests 模块，用于发送 HTTP 请求
+import json  # 导入 json 模块，用于处理 JSON 数据
+from urllib import parse  # 从 urllib 模块导入 parse，用于处理 URL 编码
+import re  # 导入正则表达式模块，用于字符串匹配和提取
+from concurrent.futures import ThreadPoolExecutor, as_completed  # 导入并发执行模块，用于实现多线程
+import cProfile
+
+
+class BilibiliSpider:
+    def __init__(self, cookie: str, user_agent: str):
+        # 初始化 BilibiliSpider 类，设置用户的 cookie 和 user_agent
+        self.cookie = cookie  # 存储用户的 cookie，以模拟登录状态
+        self.user_agent = user_agent  # 存储用户代理信息，用于模拟浏览器请求
+
+    def get_search_result(self, keyword: str, page: int, page_size: int) -> list:
+        # 根据关键词、页码和页面大小从 Bilibili 搜索视频
+        headers = {
+            "Accept": "application/json, text/plain, */*",  # 请求接受的内容类型
+            "Accept-Encoding": "gzip, deflate, br, zstd",  # 支持的编码格式
+            "Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8",  # 请求的语言
+            "Cache-Control": "no-cache",  # 不使用缓存
+            "Cookie": self.cookie,  # 用户的 cookie
+            "Origin": "https://search.bilibili.com",  # 请求来源
+            "Pragma": "no-cache",  # 不使用缓存
+            "Priority": "u=1, i",  # 请求优先级
+            "Referer": f"https://search.bilibili.com/all?keyword={parse.quote(keyword)}",  # 请求的来源页面
+            "User-Agent": self.user_agent,  # 模拟的用户代理
+        }
+
+        params = {
+            "search_type": "video",  # 搜索类型为视频
+            "page": page,  # 当前页码
+            "page_size": page_size,  # 每页结果数量
+            "keyword": keyword,  # 搜索关键词
+        }
+
+        while True:  # 无限循环，直到成功获取数据为止
+            try:
+                # 发送 GET 请求获取搜索结果
+                url = "https://api.bilibili.com/x/web-interface/search/type"
+                response = requests.get(url, headers=headers, params=params).json()  # 将返回的结果转换为 JSON 格式
+                if response['code'] == 0:  # 检查响应码是否为 0，表示成功
+                    # 提取视频的 aid（视频ID），并返回
+                    aids = [item['id'] for item in response['data']['result']]
+                    return aids  # 返回视频ID列表
+            except Exception as e:
+                # 捕获异常并打印错误信息，等待1秒后重试
+                print(e)
+                time.sleep(1)  # 等待1秒后重试
+
+    def get_cid(self, aid: int) -> int:
+        # 根据视频 aid 获取对应的 cid（视频分段ID）
+        headers = {
+            "Accept": "application/json, text/plain, */*",  # 请求接受的内容类型
+            "User-Agent": self.user_agent,  # 模拟的用户代理
+            "Cookie": self.cookie,  # 用户的 cookie
+        }
+
+        # 向 Bilibili API 请求视频详细信息，获取 cid
+        response = requests.get(f"https://api.bilibili.com/x/player/pagelist?aid={aid}", headers=headers)
+
+        if response.status_code == 200:  # 检查请求是否成功
+            # 解析返回的 JSON 数据
+            data = response.json()
+            if data and 'data' in data and len(data['data']) > 0:  # 检查数据是否有效
+                return data['data'][0]['cid']  # 返回视频的第一个页面的 cid
+            else:
+                # 如果未找到视频，抛出异常
+                raise ValueError(f"No video found for aid {aid}.")
+        else:
+            # 如果请求失败，抛出异常
+            raise Exception(f"Failed to retrieve CID for aid {aid}. Status code: {response.status_code}")
+
+    def get_bullet_screen(self, aid: int) -> List:
+        # 根据视频 aid 获取弹幕数据，返回弹幕列表
+        headers = {
+            "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8",  # 请求接受的内容类型
+            "Cookie": self.cookie,  # 用户的 cookie
+            "User-Agent": self.user_agent  # 模拟的用户代理
+        }
+
+        # 请求弹幕数据（弹幕数据以 XML 格式返回）
+        url = f'https://comment.bilibili.com/{aid}.xml'  # 构建弹幕数据的 URL
+        response = requests.get(url, headers=headers)  # 发送 GET 请求获取弹幕数据
+        response.encoding = 'utf-8'  # 设置响应编码为 UTF-8
+        html = response.text  # 获取响应文本
+        # 使用正则表达式从 XML 中提取弹幕文本，并返回弹幕列表
+        return re.findall("<d p=.+?>(.+?)</d>", html)  # 提取弹幕内容
+
+
+def main():
+    # 主函数，爬取 Bilibili 视频弹幕
+    User_Agent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36"
+    cookies = "buvid3=0010B368-0E93-5612-1F55-B0AEFA2A788E68736infoc; b_nut=1722828468; _uuid=65A45AC6-10CC5-FD72-3AE5-EDD1D94C6B2A71555infoc; enable_web_push=DISABLE; home_feed_column=5; buvid4=D4A818B4-3DAF-E9E9-CCA6-2292209CA07D70717-024080503-n8yYBXNzLps6TrOphT3zww%3D%3D; header_theme_version=CLOSE; rpdid=|(J|)Rl|kRuk0J'u~kk)k)lJY; CURRENT_QUALITY=80; fingerprint=6d7a6d23f809895ad523f52c214cab31; buvid_fp_plain=undefined; b-user-id=06265419-2000-a180-a632-d8face940e87; CURRENT_BLACKGAP=0; is-2022-channel=1; buvid_fp=6d7a6d23f809895ad523f52c214cab31; bili_ticket_expires=1726804000; bili_ticket=eyJhbGciOiJIUzI1NiIsImtpZCI6InMwMyIsInR5cCI6IkpXVCJ9.eyJleHAiOjE3MjY4MDQwNjAsImlhdCI6MTcyNjU0NDgwMCwicGx0IjotMX0.GNq3G9bTe-3WQ8VAVc0sI4Qz9p3p7_dhcjMvGWeptHU; browser_resolution=1491-706; bp_t_offset_342699701=978044347712798720; CURRENT_FNVAL=4048; b_lsid=E10FCACF9_191FEFD995E; SESSDATA=a362140e%2C1742111957%2Cf7826%2A91CjBL7AZ1ewk0PKshkKehAyTa-FGUdcmmYfvGIZvLIvE3mrP0Lp1ZFo7Vp-Hg1cnTkFcSVkpPSlUwSkpFWWNodXFmNDdRNnFOdkdfTkpkbmpQNjlDUGkxLXpMRXZIMWpLUkVVSU1sNjM2clZVUmp1dEZDeDFmRTZJS0JObEstb1RVeV94ek91UktnIIEC; bili_jct=2627cc66d6b22d78edd09ea63d44b26e; DedeUserID=3546763816339525; DedeUserID__ckMd5=d856350aecedd530; sid=8ec23v36"
+
+    # 创建 BilibiliSpider 实例
+    Bili = BilibiliSpider(cookies, User_Agent)
+
+    keyword = "2024巴黎奥运会"  # 设置搜索关键词
+    page_size = 30  # 每页30个结果
+    total_pages = 10  # 爬取10页，总计300个视频
+    data_list = []  # 存储所有弹幕数据
+
+    # 使用线程池执行器来并发请求
+    with ThreadPoolExecutor(max_workers=10) as executor:  # 创建一个线程池，最多有10个工作线程
+        futures = []  # 存储所有提交的任务
+        for page in range(1, total_pages + 1):  # 循环遍历每一页
+            print(f"Fetching search results for page {page}...")  # 打印当前页码
+            aids = Bili.get_search_result(keyword, page, page_size)  # 获取当前页的视频 aid 列表
+
+            for aid in aids:  # 遍历每个视频 aid
+                # 提交任务到线程池，异步获取弹幕数据
+                futures.append(executor.submit(fetch_bullet_screen, Bili, aid))
+
+        # 等待所有任务完成并处理结果
+        for future in as_completed(futures):  # 遍历已完成的任务
+            try:
+                bullet_screens = future.result()  # 获取任务的结果
+                data_list.extend(bullet_screens)  # 将弹幕数据添加到 data_list
+                print(f"Fetched {len(bullet_screens)} bullet screens.")  # 打印获取的弹幕数量
+            except Exception as e:
+                print(f"An error occurred: {e}")  # 处理任务中的异常
+
+    print(f"Total bullet screens fetched: {len(data_list)}")  # 打印总共获取的弹幕数量
+
+    # 将弹幕数据保存到 "弹幕.txt" 文件
+    with open("弹幕.txt", mode='a', encoding="utf-8") as f:  # 以附加模式打开文件
+        for data in data_list:  # 遍历所有弹幕数据
+            f.write(data + '\n')  # 将弹幕数据写入文件
+
+
+def fetch_bullet_screen(Bili: BilibiliSpider, aid: int) -> List:
+    # 根据视频 aid 获取弹幕数据的辅助函数
+    try:
+        print(f"Fetching bullet screen for video with aid {aid}...")  # 打印正在获取的 video aid
+        cid = Bili.get_cid(aid)  # 获取视频的 cid
+        bullet_screens = Bili.get_bullet_screen(cid)  # 获取弹幕数据
+        return bullet_screens  # 返回弹幕数据
+    except Exception as e:
+        print(f"An error occurred while fetching data for aid {aid}: {e}")  # 打印错误信息
+        return []  # 返回空列表以表示没有获取到数据
+
+
+if __name__ == "__main__":
+    main()  # 执行主函数
+# if __name__ == "__main__":
+#     # 使用 cProfile 对 main 函数进行性能分析
+#     cProfile.run('main()','profile_results')