一、爬取目标

大家好，我是 @马哥python说 ，一名10年程序猿。

今天分享一期爬虫的案例，用python爬哔哩哔哩的搜索结果，也就是这个页面：

爬取字段，包含：
页码, 视频标题, 视频作者, 视频编号, 创建时间, 视频时长, 弹幕数, 点赞数, 播放数, 收藏数, 分区类型, 标签, 视频描述

部分爬取结果：

这里，我一共爬了30页，每页30条，共30*30=900条数据（当然，最大爬取页数可自定义放大）
下面，开始分析网页。
打开开发者模式，在页面搜索关键词，并进行翻页一次，如下：

看到了result节点中的列表数据，就是我们要找到的视频数据，依次查看每个具体数据：

json数据
分析到这里，就可以开发爬虫了。

二、讲解代码

首先，导入用到的库：

import requests  # 发送请求
import time  # 获取时间
import os
import pandas as pd  # 保存csv数据
import re  # 数据清洗

下面，开始发送请求。
请求地址在哪获取呢？

请求参数在Payload里面：

请求参数代码：

# 请求参数
params = {
    '__refresh__': 'true',
    '_extra': '',
    'context': '',
    'page': page,
    'page_size': 30,
    'from_source': '',
    'from_spmid': '333.337',
    'platform': 'pc',
    'highlight': '1',
    'single_column': '0',
    'keyword': v_keyword,
    'qv_id': 'dHavr2spEK3TphPa54klZ6svdhBYOlyP',
    'category_id': '',
    'search_type': 'video',
    'dynamic_offset': 24,
    'preload': 'true',
    'com2co': 'true',
}

请求头，在Request Headers里面：

注意！cookie很重要，如果不传入cookie这个参数，会返回412错误码！

请求头代码：

# 请求头
headers = {'accept': 'application/json, text/plain, */*',
           'accept-encoding': 'gzip, deflate, br',
           'accept-language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
           # cookie必需，否则返回412
           'cookie': "换成自己的cookie",
           'origin': 'https://search.bilibili.com',
           'referer': 'https://search.bilibili.com/all?keyword={}&from_source=webtop_search&spm_id_from=333.1007&search_source=5&page=2&o=24'.format(
               v_keyword),
           'sec-ch-ua': '"Google Chrome";v="107", "Chromium";v="107", "Not=A?Brand";v="24"',
           'sec-ch-ua-mobile': '?0',
           'sec-ch-ua-platform      ': '"macOS"',
           'sec-fetch-dest': 'empty',
           'sec-fetch-mode': 'cors',
           'sec-fetch-site': 'same-site',
           'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
           }

发送请求：

# 向页面发送请求
r = requests.get(url, headers=headers, params=params)
print(r.status_code)  # 查看响应码

解析出result列表数据：

data_list = j_data['data']['result']
print('数据长度：', len(data_list))

定义空列表，并for循环追加数据，以视频标题title为例：

for data in data_list:
    title = re.compile(r'<[^>]+>', re.S).sub('', data['title'])  # 正则表达式清洗文本
    print('视频标题: ' + title)
    title_list.append(title)

其他字段同理，不再赘述。
最后通过pandas的to_csv，保存最终数据。

# 数据保存到csv文件
df.to_csv(v_out_file, encoding='utf_8_sig', mode='a+', index=False, header=header)

to_csv的时候需加上选项（encoding='utf_8_sig'），否则存入数据会产生乱码，尤其是windows用户！

三、同步讲解视频

https://www.zhihu.com/zvideo/1573636442722697216

原创作者： 马哥python说
持续分享python干货中！