分析Ajax爬取B站python视频

- 日理万妓 2021-09-19 03:30 598阅读 0赞

B 站真是个神奇的网站。找不到资料了，去 B 站逛一逛，保准有你满意的东西。

前几天写了个爬虫，用 path、re、BeautifulSoup 爬取的 B 站 python 视频，但是这个爬虫有有个缺陷，没能获取视频的图片信息，如果你去尝试你会发现它根本就不在返回的结果里面。今天就用分析 Ajax 的方法获取到。

### 分析页面 ###

通常我们在分析页面的时候，都要切换到 Network 分析url 从中找到我们想要的 url 。但是找不到 url 你怎么分析？B 站就是这么神奇的存在，我们最后分析确定的 url 是这个：

url = 'https://api.bilibili.com/x/web-interface/search/type?jsonp=jsonp&&search_type=video&highlight=1&keyword=python&page={}'.format(page)

打开 B 站，搜索 python ，打开开发者工具，切换到 Network 你可以去找找，还真是没有。  
至于怎么找到的呢，我也是摸索了好长时间才发现

![img\_099aef64506c4395b4653874ac0aa308.png][img_099aef64506c4395b4653874ac0aa308.png]

图片

点一下搜索，这个 url 才会出现，或者点一下下一页

![img\_4468de5488e8a7f5ca21dfd8c7eefd68.png][img_4468de5488e8a7f5ca21dfd8c7eefd68.png]

详情

然后就构造这个请求就可以了。  
需要注意的是最后一个参数不能添加。

### 代码实战 ###

import requests
    import json,re,time
    import pandas as pd
    from requests.exceptions import RequestException
    
    class Spider():
    
        def get_page(self,page):
            try:
                headers = {
                    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64)'
                                  ' AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36',
                }
                url = 'https://api.bilibili.com/x/web-interface/search/type?jsonp=jsonp&&search_type=video&highlight=1&keyword=python&page={}'.format(page)
                r = requests.get(url,headers)
                if r.status_code == 200:
                    return r.text
                else:
                    print(r.status_code)
            except RequestException:
                print('请求失败')
                return None
    
        def parse_page(self,html):
            #转换成JSON对象，好操作
            data = json.loads(html)
    
            results = data.get('data').get('result')
            for result in results:
                #获取图片地址
                image_url = result['pic']
                #获取视频地址
                video_url = result['arcurl']
                #获取作者
                video_author = result['author']
                #获取视频标题，中间有额外的字符，用re替换一下
                video_title = result['title']
                video_title = re.sub('<em class="keyword">[Pp]ython</em>','Python',video_title)
                #获取播放量
                video_play = result['play']
                #获取上传时间,这里将时间戳转换成标准格式
                video_date = result['pubdate']
                timestr = time.localtime(video_date)
                video_date = time.strftime('%Y-%m-%d %H-%M-%S',timestr)
                print(image_url,video_url,video_title,video_play,video_date)
    
        def run(self):
            for i in range(1,3):
                html = self.get_page(i)
                self.parse_page(html)
    
    def main():
        spider = Spider()
        spider.run()
    
    if __name__ == '__main__':
        main()

代码里面有些解释已经很清楚了，在这里再次复习一下

re.sub()

这个函数传入五个参数，前三个是必须传入的 pattern,、repl、 string

*  第一个是表示的是正则表达式中模式字符串
 *  第二个是要被替换的字符串
 *  第三个是文本字符串  
    剩下两个可选参数，一个是 count 一个是 flag 。

**时间戳转换成标准格式的时间**  
第一种方法

import time
    timeStamp = 1581418600
    timeArray = time.localtime(timeStamp)
    otherStyleTime = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)
    print otherStyleTime

第二种方法

import time
    import datetime
    timeStamp = 1381419600
    dateArray = datetime.datetime.utcfromtimestamp(timeStamp)
    otherStyleTime = dateArray.strftime("%Y-%m-%d %H:%M:%S")
    print otherStyleTime

综上就是这次的全部内容，多加练习继续加油！

[img_099aef64506c4395b4653874ac0aa308.png]: /images/20210726/e2eb8b8ec7d84009824cffd1ab07d3bd.png
[img_4468de5488e8a7f5ca21dfd8c7eefd68.png]: /images/20210726/a9bbb7b0e7d0447284342fd1c250fbbd.png