ADD file via upload

main
pioc37juv 2 months ago
parent 4e0612523c
commit 0ea2669f26

@ -0,0 +1,186 @@
# -*- coding: utf-8 -*-
# 作者Halcyon王思平102201544
import requests
import re
from bs4 import BeautifulSoup
import operator
import traceback
import os
import pandas as pd
from lxml import etree
from time import sleep
headers = {
# UA用户代理(用户头)||Cookie即网站存储在浏览器的密钥||referer表示你是从哪个网页来到这个网页的可避开部分网站的反爬
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/128.0.0.0 Safari/537.36 Edg/128.0.0.0",
"Cookie": "buvid3=FC84FF24-F24C-8F6A-E270-A4E24DE7B0C526016infoc; b_nut=1698057526; i-wanna-go-back=-1; b_ut=7; _uuid=B8DE32105-3BF9-6647-BECB-E8C21CC6514325921infoc; DedeUserID=25050170; DedeUserID__ckMd5=c0021d4e8b0bf000; rpdid=|(u)YllY\~l\~|0J'uYm)|l\~\~u\~; buvid_fp_plain=undefined; LIVE_BUVID=AUTO1716983199366540; hit-dyn-v2=1; is-2022-channel=1; buvid4=A93706A8-E74B-3BA6-F690-5C6B9D598B0526885-023102318-ve0wVapqFYOkA%2BhrXJP7jQ%3D%3D; dy_spec_agreed=1; FEED_LIVE_VERSION=V8; enable_web_push=DISABLE; header_theme_version=CLOSE; theme_style=light; CURRENT_FNVAL=4048; PVID=3; kfcSource=cps_comments_5796501; msource=cps_comments_5796501; deviceFingerprint=df356baaacd70e52753b41f8d9c0d620; share_source_origin=COPY; fingerprint=7b3f4d837eec3b3f350f986969e4ab87; bili_ticket=eyJhbGciOiJIUzI1NiIsImtpZCI6InMwMyIsInR5cCI6IkpXVCJ9.eyJleHAiOjE3MjY3NTY4MDAsImlhdCI6MTcyNjQ5NzU0MCwicGx0IjotMX0.OL6GRuRoVoxpFDP_ZQf8D7DpV2G5jh--dzz7f29eqvs; bili_ticket_expires=1726756740; CURRENT_QUALITY=112; SESSDATA=f7aed23a%2C1742058181%2Cdd898%2A92CjALxu4cFuV7SGqcgyHI8Ys2NK_ZyALU5ig08Zm2NaHT44pIudmp4ZCgBU5VgNrKn9ASVnJ3TG9ra1JUblBEcHhtUDlpSjNrTmhUaXRhVV9BNUxtSXdDeGx4MnhTSDZRRWFlaWZ5R0Jmd2hDNW5QX0JiSms2UndUWHM1YW5pdGZTWVhHOF9pbFZnIIEC; bili_jct=533d358e51330aaf948908155179fc37; sid=6c7mrv3l; bsource=search_baidu; bmg_af_switch=1; bmg_src_def_domain=i2.hdslb.com; buvid_fp=7b3f4d837eec3b3f350f986969e4ab87; b_lsid=367A31104_19200B68A7A; browser_resolution=1330-84; home_feed_column=4",
'Referer': 'https://www.bilibili.com/'
}
timeout = 5
def getHTML(url): # 根据url读取页面html内容
try:
response = requests.get(url=url, headers=headers, timeout=timeout) # 发送一个get请求到指定的url
response.encoding = response.apparent_encoding # 将响应的编码设置为自动检测到的编码,以便后续处理时不会出现乱码
return response.text # 返回响应的文本内容(即网页的 HTML 源代码)
except Exception as e:
print(f"request url : {url} error: {e}") # f"..."这个f表示这是一个格式化字符串其中的任何用{}括起来的部分会被替换为相应变量的值
print(traceback.format_exc()) # 返回最近的异常的traceback调用栈
return None
def parsePage_search(content): # 分析得到的html页面文本内容
try:
print("parsing...")
# 使用正则表达式提取BV号
bv_list = re.findall('"bvid":"(.*?)"', content)
print(f"爬取到 BV 号成功,数量: {len(bv_list)}")
return bv_list # 返回爬取到的 BV 号列表
except Exception as e:
print("parse error:", e)
return []
def save_to_csv(bvids, filename):
# 创建 DataFrame 并保存为 CSV
df = pd.DataFrame(bvids, columns=["bvid"])
df.to_csv(filename, index=False, encoding='utf-8-sig')
print(f"已将 {len(bvids)} 个 bvid 保存到 {filename}")
def parsePage(page): # 分析得到的html页面文本内容
try:
print("parsing...")
html_ = etree.HTML(page) # 将传入的page字符串转换为一个可以使用XPath查询的HTML结构
meta_title = html_.xpath('//meta[@name="title"]/@content')[0] # 使用 XPath 查询获取 <meta> 标签中 name 属性为 title 的内容
if meta_title == '视频去哪了呢_哔哩哔哩_bilibili':
print(f'视频 404 not found')
return [], '视频 404 not found'
syntax = [':', '='] # 创建一个列表 syntax包含可能用于分割 CID 的字符(冒号和等号)
flag = 0
keys = re.findall(r'"cid":[\d]*', page) # 在页面内容中查找 "cid":[数字] 格式的字符串,返回所有匹配的项。
if not keys:
keys = re.findall(r'cid=[\d]*', page) # 如果起那么位于找到则使用另一种正则表达式 cid=[数字] 查找 CID
flag = 1
comments, title = {}, None # 初始化
if len(keys) < 2:
print("没有找到有效的 cid")
return comments, title
keys = [keys[1]] # 只取第二个 cid
for index, item in enumerate(keys): # 使用 enumerate 遍历 keys 列表,同时获取索引 index 和元素 item
key = item.split(syntax[flag])[1] # 使用 split 方法根据当前的分隔符(冒号或等号)分割字符串,获取 CID 值。
print(f'{index + 1}/{len(keys)}: {key}')
comment_url = f'https://comment.bilibili.com/{key}.xml' # 弹幕地址
comment_text = getHTML(comment_url)
bs4 = BeautifulSoup(comment_text, "xml") # 使用 xml 解析器
if not title:
# 使用 BeautifulSoup 解析原始页面内容,并提取 <h1> 标签中的文本,作为视频标题
title = BeautifulSoup(page, "html.parser").find('h1').get_text().strip() #
for comment in bs4.find_all('d'): # 遍历所有弹幕:在 bs4 解析后的 XML 中查找所有 <d> 标签,代表弹幕内容。
time = float(comment.attrs['p'].split(',')[0])
time = timeFormatter(time)
comments[time] = comment.string
sorted_comments = sorted(comments.items(), key=operator.itemgetter(0)) # 排序
comments = dict(sorted_comments)
print("parse finish")
return comments, title
except Exception as e:
print("parse error:", e)
print(traceback.format_exc())
return {}, None
def validateTitle(title):
re_str = r"[\/\\\:\*\?\"\<\>\|]" # '/ \ : * ? " < > |'
new_title = re.sub(re_str, "_", title) # 替换为下划线
return new_title
def timeFormatter(param):
minute = int(param) // 60
second = float(param) % 60 # 确保秒数在 0-59 范围内
return f'{str(minute).zfill(2)}:{str(second).zfill(5)}'
def main():
# 关键词
keyword = '巴黎奥运会'
# 存储不重复的 bvids
bv_set = set()
total = 300
current_page = 1
while len(bv_set) < total:
# 根据当前页数生成对应的URL
url = f'https://api.bilibili.com/x/web-interface/wbi/search/type?category_id=&search_type=video&keyword={keyword}&page={current_page}'
# 获取页面内容
page_content = getHTML(url)
if page_content:
bvids = parsePage_search(page_content) # 解析页面内容并提取 bvid
if bvids: # 确保有找到的 bvid
initial_count = len(bv_set)
bv_set.update(bvids) # 将不重复的 bvid 添加到集合中
new_count = len(bv_set)
print(url)
print(f"当前页面: {current_page}, 找到的 bvids: {bvids}, 新增数量: {new_count - initial_count}")
else:
print(f"当前页面: {current_page}, 未找到新的 bvid。")
else:
print("页面内容获取失败。")
break
sleep(1) # 在每次请求后暂停1秒避免被反爬
current_page += 1 # 转到下一页
# 将集合转换为列表
bvids_list = list(bv_set)[:total] # 只取前300个BV号
print(f"找到的 bvids: {bvids_list}")
# 保存到 CSV 文件
save_to_csv(bvids_list, "bvs.csv")
# 读取 bvs.csv 文件中的 bvid
bvs_csv_path = "bvs.csv"
if os.path.exists(bvs_csv_path):
bvs_df = pd.read_csv(bvs_csv_path)
bvs = bvs_df['bvid'].tolist() # 获取 bvid 列的所有值并转换为列表
else:
print(f"文件 {bvs_csv_path} 不存在。")
return
# 根据bv号爬取弹幕
# bvs = ['BV1mE4m1R71o']
for bv in bvs:
url = f"https://www.bilibili.com/video/{bv}"
save_folder = "弹幕csv"
if not os.path.exists(save_folder):
os.mkdir(save_folder)
comments, title = parsePage(getHTML(url)) # 调用 getHTML 函数获取网页内容,然后调用 parsePage 函数解析内容,获取弹幕和视频标题
if len(comments) == 0:
continue
title = validateTitle(title)
# 使用 Pandas 创建一个 DataFrame其中包含弹幕的时间时刻和文本弹幕文本
df = pd.DataFrame({'时刻': list(comments.keys()), '弹幕文本': list(comments.values())})
# 在 DataFrame 中去除重复的弹幕,保留第一次出现的记录。
df.drop_duplicates(subset=['时刻', '弹幕文本'], keep='first', inplace=True)
# 将清理后的 DataFrame 保存为 CSV 文件,文件名使用视频标题,路径为 弹幕csv/标题.csv不保存行索引使用 utf-8-sig 编码。
df.to_csv(f"{save_folder}/{title}.csv", index=False, encoding='utf-8-sig')
print(f'已经保存 {df.shape[0]} 条弹幕到 {save_folder}/{title}.csv\n\n')
sleep(1)
if __name__ == '__main__':
main()
Loading…
Cancel
Save