Python爬取B站《工作细胞》短评—异步加载信息的爬取

很多网页的信息都是通过异步加载的，本文就举例讨论下此类网页的抓取。

《工作细胞》最近比较火，bilibili 上目前的短评已经有17000多条。

先看分析下页面

右边 li 标签中的就是短评信息，一共20条。一般我们加载大量数据的时候，都会做分页，但是这个页面没有，只有一个滚动条。

随着滚动条往下拉，信息自动加载了，如下图，变40条了。由此可见，短评是通过异步加载的。

我们不可能一次性将滚动条拉到最下面，然后来一次性获取全部的数据。既然知道是通过异步来加载的数据，那么我们可以想办法直接去获取这些异步的数据。

打开 Network 查看分析 http 请求，可以点击 XHR 过滤掉 img、css、js 等信息。这时我们发现了一些 fetch。fetch 我对它的了解就是一个比 ajax 更高级更好用的 API，当然这肯定是不准确的，但并并不影响我们的爬虫。

我们可以看到，其中返回的就是我们需要的内容，json 格式，一共20条，total 属性就是总的数目。分析一下 url 地址：https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0&cursor=76729594906127

media_id 想必就是《工作细胞》的 id 了；

folded 不知道是啥，可以不管；

page_size 是每页的条数；

sort 排序，看名字就知道，找到排序的选项，试了下，果然是的，默认0，最新1；

cursor，字面意思的光标，猜测应该是指示本次获取开始的位置的，展开获取到的 json，发现其中包含有 cursor 属性，对比以后可以发现，url中的值跟上一次返回结果中的最后一条中的 cursor 的值是一致的。

好了，至此，页面已经分析清楚了，爬取的方式也明显了，根本不用管网页，直接根据 fetch 的地址获取 json 数据就可以了，连网页解析都省了，超级的方便。

下面的完整的代码：（如果 fake_useragent 报错，就手动写个 User-Agent 吧，那个库极度的不稳定）