在B站爬取坤坤的视频，并获取视频基本信息

赖开得 · 发表于 2023-6-5 17:37:28

在B站有许多坤坤的视频，作为一名ikun，让我们写个爬虫研究一下视频的视频的名字、链接、观看次数、弹幕、发布时间以及作者。我们用selenium来实现这个爬虫，由于要获取的数据比较多，我们写几个函数来实现这个爬虫。
先倒入需要用到的库，包括selenium, time ,BeautifulSoup ,ChromeDriverManager。
打开及搜索函数：在这段代码中，我们导入了 `webdriver` 和 `ChromeDriverManager` 模块，以便使用 ChromeDriver 控制 Chrome 浏览器，以及自动下载和安装最新版本的 ChromeDriver。同时，我们还导入了 `time` 模块，以便在代码中添加延迟，以便页面加载完成。最后，我们还导入了 `BeautifulSoup` 模块，以便从网页中提取信息。

from selenium import webdriver from webdriver_manager.chrome import ChromeDriverManager import time from bs4 import BeautifulSoup

复制代码

先创建一个 ChromeDriver 实例，打开B站，在这里我们使用ChromeDriverManager().install()方法，他可以自动下载对应版本的chrome，防止因为Chrome版本不正确而报错。（PS：直接用webdriver.Chrome()会使用已下载Chrome游览器，他的版本可能与webdriver需要的版本不匹配这样打开chrome的时候会出现闪退报错）

url="哔哩哔哩 (゜-゜)つロ干杯~-[url=https://www.zhihu.com/search?q=bilibili&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3060126417%7D]bilibili[/url]" browser = webdriver.Chrome(ChromeDriverManager().install()) #创建一个 ChromeDriver 实例 browser.set_window_size(1400, 900) #设定页面大小 browser.get(url) #访问B站

复制代码

我们可以用xpath方法来获取目标操作的位置，chrome浏览器能够自动提取xpath链接。我们使用 `browser.window_handles` 方法获取当前窗口中的所有句柄，并切换到第二个窗口，以便获取搜索结果页面。
在打开B站首页的时候，会出现一个提示登陆的页面干扰我们，因此我们最好点击一下首页，刷新一下。

first_page = browser.[url=https://www.zhihu.com/search?q=find_element_by_xpath&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3060126417%7D]find_element_by_xpath[/url]("//*[@id='i_cecream']/div[2]/div[1]/div[1]/ul[1]/li[1]/a/span") #取得首页按钮的的位置 first_page.click() #点击首页进行刷新

复制代码

然后，我们模拟用户在网站上搜索蔡徐坤篮球相关的视频；点击搜索栏，输入"蔡徐坤篮球"，并进行搜索；最后定位到新页面。

input = browser.find_element_by_xpath("//*[@id='nav-searchform']/div[1]/input") #取得搜索栏的位置 input.send_keys('蔡徐坤篮球') #输入内容 submit = browser.find_element_by_xpath("//*[@id='nav-searchform']/div[2]") #取得搜索按钮的位置 submit.click() #点击搜索 all_h = browser.window_handles #取得新页面的代码 browser.switch_to.window(all_h[1]) #取得新页面的代码

复制代码

打开及搜索函数的完整代码：

def search(url="哔哩哔哩 (゜-゜)つロ干杯~-bilibili"): try: browser = webdriver.Chrome(ChromeDriverManager().install()) browser.set_window_size(1400, 900) browser.get(url) first_page = browser.find_element_by_xpath("//*[@id='i_cecream']/div[2]/div[1]/div[1]/ul[1]/li[1]/a/span") first_page.click() input = browser.find_element_by_xpath("//*[@id='nav-searchform']/div[1]/input") input.send_keys('蔡徐坤篮球') submit = browser.find_element_by_xpath("//*[@id='nav-searchform']/div[2]") submit.click() all_h = browser.window_handles browser.switch_to.window(all_h[1]) return browser except TimeoutError: return search(url)

复制代码

翻页函数：该函数使用 `find_element_by_xpath` 方法查找“下一页”按钮，并使用 `click` 方法单击该按钮。在单击“下一页”按钮之后，该函数使用 `browser.window_handles` 方法获取所有窗口句柄，并使用`browser.switch_to.window` 方法将焦点切换到搜索结果页面，以便我们可以继续提取视频信息，最后返回页面代码信息。如果没有找到“下一页”按钮，该函数会递归调用自身来查找“下一页”按钮，直到找到为止。
这里有一点需要注意，在取得下一页按钮的时候，最好利用“下一页”的文本进行匹配，如果根据浏览器提供的位置信息匹配，在某些页面下会出现位置不匹配而导致程序异常。

`next = browser.find_element_by_xpath("//button[text()='下一页']")

复制代码

这段代码较为简单，直接给出完整代码。

def next_page(browser): #获取下一页 try: next = browser.find_element_by_xpath("//button[text()='下一页']") #下一页按钮 next.click() #点击按钮 time.sleep(1) #听一秒等待刷新 all_h1 = browser.window_handles #取得新页面的代码 browser.switch_to.window(all_h1[1]) #取得新页面的代码 return browser except: next_page(browser)

复制代码

在这个函数中，我们首先使用 `browser.page_source` 方法获取当前页面的 HTML 代码，然后使用 `BeautifulSoup` 类解析 HTML 代码，以提取视频信息。接着，我们使用 `xlwt` 库将视频信息写入到 Excel 文件中。
我们还需要一个函数来提取页面信息，
先用BeautifulSoup解析页面，用find方法找到\标签，这里包含我们需要的所有视频，然后用find\_all方法找到每个视频的标签\,同时find\_all会帮助我们形成一个列表存储数据，也就是我用到的videos：

html = browser.page_source soup = BeautifulSoup(html, "lxml") videos = soup.find(class_='video-list').find_all(class_='bili-video-card')

复制代码

遍历视频信息列表，提取信息（视频的名字、链接、观看次数、弹幕、发布时间以及作者），这里建议多尝试，多打印几次确保信息准确：

for item in videos: item_readers = item.find("span", class_="[url=https://www.zhihu.com/search?q=bili-video-card__stats--item&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3060126417%7D]bili-video-card__stats--item[/url]").span.string item_danmu = item.find_all("span", class_="bili-video-card__stats--item")[1].span.string item_time = item.find("span", class_="bili-video-card__stats__duration").string item_title = item.find("h3").get("title") item_author = item.find("span", class_="[url=https://www.zhihu.com/search?q=bili-video-card__info--author&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3060126417%7D]bili-video-card__info--author[/url]").string [url=https://www.zhihu.com/search?q=item_link&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3060126417%7D]item_link[/url] = item.find("a").get("href")[2:] print(item_title)

复制代码

最后一步是储存信息：

sheet.write(n, 0, n)sheet.write(n, 1, item_title)sheet.write(n, 2, item_link)sheet.write(n, 3, item_readers)sheet.write(n, 4, item_danmu)sheet.write(n, 5, item_time)sheet.write(n, 6, item_author)

复制代码

获取信息和储存函数的完整代码：

def save_to_excel(browser,sheet,n,wb): try: html = browser.page_source soup = BeautifulSoup(html, "lxml") videos = soup.find(class_='video-list').find_all(class_='bili-video-card') for item in videos: item_readers = item.find("span", class_="bili-video-card__stats--item").span.string item_danmu = item.find_all("span", class_="bili-video-card__stats--item")[1].span.string item_time = item.find("span", class_="[url=https://www.zhihu.com/search?q=bili-video-card__stats__duration&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3060126417%7D]bili-video-card__stats__duration[/url]").string item_title = item.find("h3").get("title") item_author = item.find("span", class_="bili-video-card__info--author").string item_link = item.find("a").get("href")[2:] print(item_title) sheet.write(n, 0, n) sheet.write(n, 1, item_title) sheet.write(n, 2, item_link) sheet.write(n, 3, item_readers) sheet.write(n, 4, item_danmu) sheet.write(n, 5, item_time) sheet.write(n, 6, item_author) n += 1 wb.save("cxk1.xls") print(n) return n except TimeoutError: save_to_excel(browser,sheet,n,wb) #存储函数

复制代码

最后写一个主程序调用三个函数，在主程序中,我们要记得先设置一下存储数据用到的EXCEL;

import xlwt#设置excelwb = xlwt.Workbook(encoding="utf-8",style_compression=0)sheet = wb.add_sheet("b站爬去",cell_overwrite_ok=True)sheet.write(0,0,"序号")sheet.write(0,1,"名称")sheet.write(0,2,"链接")sheet.write(0,3,"观看次数")sheet.write(0,4,"弹幕")sheet.write(0,5,"时间")sheet.write(0,6,"作者")

复制代码

主程序完整代码：
在调用主程序时，当我们进入收索信息的第一页时，可以先爬取第一信息，然后利用一个for循环取得其他页面信息。

#设置excelwb = xlwt.Workbook(encoding="utf-8",style_compression=0)sheet = wb.add_sheet("b站爬去",cell_overwrite_ok=True)sheet.write(0,0,"序号")sheet.write(0,1,"名称")sheet.write(0,2,"链接")sheet.write(0,3,"观看次数")sheet.write(0,4,"弹幕")sheet.write(0,5,"时间")sheet.write(0,6,"作者")n = 1browser = search("哔哩哔哩 (゜-゜)つロ干杯~-bilibili") #进入B站，并完成搜索all_h = browser.window_handlesbrowser.switch_to.window(all_h[1]) #获取页面代码total = browser.find_element_by_xpath("//*[@id='i_cecream']/div/div[2]/div[2]/div/div/div/div[2]/div/div/button[9]").text #获取总页数，给for循环做准备# n = save_to_excel(browser,sheet,n,wb) #调用函数存储页面数据# browser = next_page(browser) #翻页for i in range(1,int(total)+1): time.sleep(3) #等待加载 n = save_to_excel(browser,sheet,n,wb) # 调用函数存储页面数据 browser = next_page(browser) # 翻页

复制代码

完整代码地址：github.com/zhangaynami…

来源:https://www.cnblogs.com/zhangzijun2001/p/17458577.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】我们会及时删除侵权内容，谢谢合作！