Python腾讯视频弹幕抓取实战课件

《Python爬虫》腾讯视频弹幕抓取实战knowledge—黄贵锋爬虫一般步骤以腾讯视频《天行九歌》为例，详细解析腾讯视频弹幕爬取的细节和难点，相对于一般电影或者电视剧评论，弹幕都是在特定剧情下观众随性发出来的，所以弹幕能够贴合剧情，进行更多有意思的脑洞分析。目标数据数据定位打开腾讯是视频《天行九歌》视频随便选取一集，观察我们需要抓取的弹幕，可以明显看出来弹幕不是在视频上的而是浮动在视频上面，而且弹幕在视频播放之后才滚动加载，所以我们大概能得出弹幕是JS异步加载的。按F12审查元素，观察Network是的请求，播放开始后出现了大量请求，除了大部分图片外我们发现了一个比较特殊的请求"danmu",打开这个请求后果然这就是我们要的弹幕数据。弹幕URL规律分析在找网址规律的时候，有一个小技巧，就是尝试暴力删掉目标网址中不影响最终结果的部分参数，再从最精简的网址中寻找规律。我们观察请求参数的时候注意下RequestMethod。这里是get请求也就是可以直接在浏览器请求URL，看能否能拿到数据。开始暴力删除无关参数，URL？后面拼接的参数有callback,target_id,session_key,timestamp,_。网址最后一串数据好像是时间戳，删了试试，结果不变，是无关参数。session_key到底影不影响呢？不知道可以删除试试。最后精简成下面这个URL，只有target_id,timestamp两个是必须参数弹幕URL规律分析将第二，三,四个请求拿出来精简

对比很容易找到规律，从第一页到第二页，timestamp值从15变到了45，第二页到第三页从45到75，target_id不变。这个规律我们可以大胆猜测这个timestamp值是控制页数的，并且起始值是15每30秒更新一次。一集视频弹幕有多少页呢？如何获取最后一个timestamp的值？这里有个小技巧，先将视频拉倒最后观察timestamp的值是多少，然后给timestamp一个远远超出最后这个值到浏览器请求,返回数据为count值为0，说明弹幕已经加载完。不同集之间URL分析第73集精简后的URL

第72集精简后的URL

对比不同集之间的URL发现target_id值是不一样的，猜测这个target_id决定的集数。timestamp规律之前已经找到，这里我们将精力投入到target_id中寻找它的规律，但我们研究了几集之后发target_id除了%26vid%3D这一串其他的毫无规律。那我们现在将target_id分成两半，我将它们称之为前缀ID,后缀ID。但从URL上面我们是找不到有用线索了，这时候我们必须转换思路回到页面上来。后缀ID-1在浏览视频页面的时候，我们发现播放视频时在播放屏右边总会显示全部集数，点击对应的集数就会进行相应的换集跳转，所以我们有理由相信target_id相关的东西就藏在其中。后缀ID-2浏览页面源代码的时候我们发现HTML源码里面有这样一段JS，包含了所有集的后缀ID，从里面面去获取会更好（注意F2是正常的已上线的集，F0可能是脏数据或者是没上线的所以我们只需要去F2的数据即可获取到所有的后缀ID）前缀ID-1遗憾的是前缀ID在页面里面并没有找到，既然页面上没有，那我们再转换下思路。页面上没有那么有可能是点击跳集的时候才请求前缀ID。播放视频F12在不同集之间切换继续观察Network的请求，每次切换不同集的时候有一个请求regist进入了我们得视线点击进去看果然里面有我们需要的前缀ID。前缀ID-2切换不同集观察URL变化，没有什么变化都是同一个URL。

但是我们发现每一集的请求都有一个参数变化vecIdList，仔细一看这不就是我们的后缀ID？（注意这里使用post请求，参数是json格式）

到这里我们