最近在自学Python爬虫，所以想练一下手，用python来爬取B站在线人数，应该可以拿来小小分析一下

设计思路

首先查看网页源代码，找到相应的html，然后利用各种工具（BeautifulSoup或者直接正则表达式）得到数据，然后把数据和当且时间保存到本地，并且设置一定的时间间隔，反复得到数据， 不过后面我发现B站在线人数是通过js动态生成的，后面会提到

实现过程

观察HTML网页

打开B站，查看网页源代码
这里写图片描述

我们发现

<div class="online">
    <a href="//www.bilibili.com/video/online.html" target="_blank" title="在线观看：4285260">
        在线人数：3277944
    </a>
    <a href="//www.bilibili.com/newlist.html" target="_blank">
        最新投稿：32678
    </a>
</div>

在线人数是存储在类名为online的div中的a标签，当得到a标签的内容，然后把数字分割出来就可以

提取信息

提取代码片段如下：

url = "https://www.bilibili.com/"
html = get_page_source(url)
#得到网页的string
soup = BeautifulSoup(html, 'html.parser')
viewInfo = soup.find_all('div', attrs={'class': 'online'})[0]
#找到相应div       
numberStr = viewInfo.a.string
#提取标签a的内容
number = str(numberStr.split('：')[1])
#把得到的字符串按照"："来分割所以数字就分到标为1的位置 提取出来就可以

然后发现我们每次得到的number都为0，这显然是有问题的。

问题的关键在于B站在线人数的数据是动态生成的，这是一个动态的网页，这个数字是通过js代码填进去的，所以我们每次得到的是没经过js处理的HTML，所以需要另外的解决方法

解决问题

这里我们在network里查找关键词online可以找到相应的的api

这里写图片描述

https://api.bilibili.com/x/web-interface/online?callback=jqueryCallback_bili_3&jsonp=jsonp&_=1533639077636

但是打开网址是找不到的， 主要因为我的url是有问题的把后面的参数去掉就可以访问
得到最后的api网址

https://api.bilibili.com/x/web-interface/online

这里写图片描述

所以后面我们只需要用python解析json，得到web_online的值就可以了
代码片段如下

url = "https://api.bilibili.com/x/web-interface/online"
html = get_page_source(url)
#获得url的
json_data = json.loads(html)
#解析json
number = (json_data['data']['web_online'])
#得到值

把结果写到txt 以做研究

把当前时间和在线人数写到一起，以做研究

with open(fpath, 'a', encoding='utf-8') as f:
    nowTime = str(datetime.datetime.now().strftime('%Y-%m-%d %H:%M'))
    f.write(nowTime + "     " + str(number) + '\n')

全部代码

python">import requests
import re
import time
import datetime
from bs4 import BeautifulSoup
import traceback
import json




def get_page_source(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "failed"

def getViewInfo(url, fpath):

    html = get_page_source(url)


    try:
        # soup = BeautifulSoup(html, 'html.parser')
        # viewInfo = soup.find_all('div', attrs={'class': 'online'})[0]
        # viewInfo = soup.find_all('div', attrs={'class':'ebox'})[0]
        # title = viewInfo.p.string
        # print(title)

        # numberStr = viewInfo.a.string
        # number = numberStr.split('：')[1]
        #print(number)

        #使用python来解析json

        json_data = json.loads(html)
        number = (json_data['data']['web_online'])

        #保存文件
        with open(fpath, 'a', encoding='utf-8') as f:
            nowTime = str(datetime.datetime.now().strftime('%Y-%m-%d %H:%M'))
            f.write(nowTime + "     " + str(number) + '\n')



    except:
        traceback.print_exc()



def main():
    count = 0
    while 1:
        url = "https://api.bilibili.com/x/web-interface/online"
        #文件路径
        output_path = "G://bilibiliInfo.txt"

        getViewInfo(url, output_path)
        #打印进度
        count = count + 1
        print(count)
        #延时一分钟
        time.sleep(60)


if __name__=="__main__":
    main()