评论

收藏

[python] Python爬虫 | 爬取b站北京奥运会开幕式弹幕,有多少人从东京奥运会跑过来的?

编程语言 编程语言 发布于:2021-07-30 19:40 | 阅读数:573 | 评论:0

是这样的,这几天奥运会,我忍不住想起了北京奥运会开幕式的壮观,在b站回看了2008年我们北京奥运会的开幕式,看到这满屏的打卡,内心引起强烈的共鸣,深有感触
DSC0000.png
这时候我不禁想,在这b站里面,到底有多少人是从东京奥运会来的呢,话不多说,马上用 requests 和 pyquery 开始爬取弹幕。
首先
安装 requests 和 pyquery 库:
pip install requests
pip inatall pyquery
导入:
import requests
from pyquery import PyQuery as pq
网页分析
首先来到b站搜索北京奥运会,进入视频,网址:
https://www.bilibili.com/video/BV1AN411Z7wf
右键菜单点击检查元素,进入Network(网络)栏,开始录制。
这时候我们展开历史弹幕,可以看到出现了许多以seg.so开头的链接,其中oid后跟着的就是我们这个视频的 oid 。
DSC0001.png
不过由于弹幕太多,我展开历史弹幕时,整个网页都卡了(不过这也侧面衬托出了北京奥运会开幕式的精彩与震撼)
DSC0002.png
如果你不想遇到这样子的情况,你也可以刷新网页,看到以一串数字开头的链接,这串数字就是 oid:
DSC0003.png
接下来把 oid 拼接到弹幕API,就能得到弹幕的xml地址,我们通过这个地址发送请求获取弹幕:
https://api.bilibili.com/x/v1/dm/list.so?oid=373384747
3. 发送请求
进入API我们可以看到这样子:
DSC0004.png
我们直接用 get 来获取HTML:
url = 'https://api.bilibili.com/x/v1/dm/list.so?oid=373384747' # 网址
headers = {'cookie': 'bsource=...'} # 请求头
result = requests.get(url, headers=headers)
result.encoding='utf-8'
获取到HTML文件后,我们用 pyquery 寻找d节点,即含有弹幕内容的节点:
html = pq(result.content) # content 返回服务器响应数据的原始二进制字节流
l = html.find('d') # 寻找 d节点,返回一个迭代器
接下来我们遍历 l,打印出弹幕内容试试:
for i in l:
  print(i.text) # 获取i的文本内容
DSC0005.png
可以看到我们已经获得了所有弹幕,现在我以“2021”、“日本”、“东京”为关键词,统计包含这些词的弹幕数量。
num = int()
for i in l:
if '2021' in i.text or '东京' in i.text or '日本' in i.text:
    num += 1
print(len(l))
print(num)
print(str(round(num/len(l), 3)) + '%')结果
DSC0006.png
不知道是什么原因,我发现爬取到的弹幕数量与视频下面显示的弹幕数量并不一致。但我们可以看到,有超过十分之一的弹幕是从东京奥运会来的。这足以看出,2008年我们北京奥运会开幕式有多么壮观与精彩,人们多么喜欢这一届的奥运会。

我们曾以为我们能够举办一届奥运会是我们的荣耀,但后来才发现,能拥有这样的一届,是奥运会的荣耀。
最后,祝愿在东京奥运会的中国奥运代表团能够平安胜利归来!
中国加油!!!
2021/7/27
推荐阅读

  • 绝密!python告诉你刷分升级神器背后的原理!这篇文章差点没过审
  • Python爬虫从0到1 | 入门实战:360翻译 ——requests库之POST方法

分享到: QQ好友和群QQ好友和群
评论

使用道具 举报