注:爬虫仅可用于娱乐学习,不可用于商业用途(小心牢饭)
最近闲来无事,想要爬取知乎内容玩一玩,奈何最近知乎又更新了反爬机制!不管我用啥方法都获取不到首页html和json内容,于是乎转战B站。(若有哪位大佬知道最新知乎解密方式望指点一下)
看到网上好多教程都是爬取热榜,今天想尝试一下搜索关键词爬取所有相关内容(思路是一致的)
进入开发者工具寻找内容
以搜索“原神”为例:
火狐:设置->更多工具->web开发者工具(Ctrl+shift+l)
Microsoft Edge:F12快捷键
在弹出的页面内依次点击以下框:在搜索框搜索包含视频信息的url,这里以某一视频八重神子实机演示为例搜索:
找到记录这一页视频信息的url,进入消息头
获取相应参数
复制保存消息头中的url,Cookie,User-Agent信息
注:Cookie不要全都复制,复制一部分就行(到某一部分分号之前)
点击GET中链接,可以看到记录的json格式信息:
可以根据自己的需要在代码中获取哪一部分
里面有每个视频标题,简介,播放量,关注量,作者id等
爬取一页内容
import requests, json
import pandas as pd
url = '放入你的需要爬取的url'
headers = {
'Host': 'api.bilibili.com',
'user-agent': '你的user-agent',
'Cookie': '你的Cookie'
}
title_list, like_list, play_list = [],[],[]
def getdata():
res = requests.get(url, headers=headers).content.decode('utf-8')
jsonfile = json.loads(res)
if (jsonfile['data']):
# 爬取内容,根据你想要的内容更改列表和标签
for content in jsonfile['data']['result']:
title_list.append(content['title'])
like_list.append(content['like'])
play_list.append(content['play'])
getdata()
data1 = {
'标题': title_list,
'播放量': play_list,
'点赞量': like_list
}
dataframe = pd.DataFrame(data=data1)
dataframe.to_excel('./数据.xlsx', index=False, encoding='utf-8')
print("end")
爬取多页内容
自己可以尝试一下翻页,翻页之后url发生变化
下面对其url解析一下:
GET
https://api.bilibili.com/x/web-interface/search/all/v2?context=&page=1&order=&keyword=原神&duration=&tids_1=&tids_2=&from_source=web_search&from_spmid=333.337&platform=pc&__refresh__=true&_extra=&highlight=1&single_column=0
我们可以发现第一页page=1,第二页page=2,其余内容不发生改变
因此我们想要翻页爬取的时候只需要把page改变就可以了
首先把url中的page拿出来&page=1
这时url只有https://api.bilibili.com/x/web-interface/search/all/v2?context=&order=&keyword=原神&duration=&tids_1=&tids_2=&from_source=web_search&from_spmid=333.337&platform=pc&__refresh__=true&_extra=&highlight=1&single_column=0
每次解析完一页,page+1就可以了
import requests, json
import pandas as pd
url = '放入你的需要爬取的url(去掉page)' # 去掉
headers = {
'Host': 'api.bilibili.com',
'user-agent': '你的user-agent',
'Cookie': '你的Cookie'
}
title_list, like_list, play_list = [],[],[]
def getdata(start):
# 用于输入当前页数
data = {
'page': start
};
# 读取url中数据
res = requests.get(url, headers=headers, data=data).content.decode('utf-8')
# 变为json格式数据
jsonfile = json.loads(res)
# 根据自己需求改变下列内容
if (jsonfile['data']):
for content in jsonfile['data']['result']:
title_list.append(content['title'])
like_list.append(content['like'])
play_list.append(content['play'])
# 输出爬取页过程
print('page'+str(start))
# 因为每一页最多存放20个视频,判断如果这一页有20个视频,说明还可能有下一页,然后再爬下一页
if len(jsonfile['data']['result']) == 20:
getdata(start + 1)
# 从第一页开始获取数据
getdata(1)
Data = {
'标题': title_list,
'播放量': play_list,
'点赞量': like_list
}
dataframe = pd.DataFrame(data=Data)
dataframe.to_excel('./数据2.xlsx', index=False, encoding='utf-8')
print("end")