bilibili彈幕爬取與比對分析

最近受人之托研究了下b站的數據爬取做個小工具，最后朋友說不需要了，本着開源共享的原則，將研究成果與大家分享一波，話不多說直接上干貨

需求分析

給定up主uid和用戶uid，爬取用戶在該up主所有視頻中發的所有彈幕

需求拆解

獲取up主所有視頻

打開b站，隨便搜索一個up主，打開所有視頻頁面，f12看異步請求就一目了然了

接口地址:https://space.bilibili.com/ajax/member/getSubmitVideos?mid=up主的uid&pagesize=30&tid=0&page=1&keyword=&

直接通過GET請求訪問，該接口限制pagesize為100，數目超過就會返回錯誤，但是該接口會返回一個總數與頁數，所以我們首先請求一次，獲取相關參數再分批次請求，獲取到數據后對vlist進行json數據解析就可以，我們主要獲取的是aid，也就是av號

​

獲取視頻所有彈幕

使用firefox瀏覽器打開視頻，f12后搜索list.so請求會發現彈幕xml文件，同樣也是GET請求

接口地址:https://api.bilibili.com/x/v1/dm/list.so?oid=112062851  http://comment.bilibili.com/{cid}..xml

但是在百度的過程中發現了一個直接讀取xml文件的地址，更加方便

接口地址：http://comment.bilibili.com/{cid}.xml

這個cid就是彈幕xml的文件編號，通過分析異步請求，發現了返回這個cid的返回接口

接口地址：https://api.bilibili.com/x/player/pagelist?aid=視頻av號&jsonp=jsonp

​

需要注意的是返回的是一個數組，這說明如果視頻彈幕過多的話可能有多個xml文件，我們需要遍歷獲取

彈幕xml文件分析

文件格式內容如下所示

​

可以看到里面d標簽的文字內容就是發送的彈幕，但是我們還需要對彈幕的發送者與我們給定的用戶進行對比，所以需要對d標簽的屬性p進行分析，p屬性使用逗號隔開的一系列數據，其中各個參數屬性如下

<d p=”彈幕出現時間,模式,字體大小,顏色,發送時間戳,彈幕池,用戶Hash,數據庫ID”>123123</d>

我們只需要獲取里面的第7個參數用戶的唯一標識即可

難點分析

用戶id轉換

在彈幕xml文件中獲取的用戶標識是用戶uid經過hash后的編碼，所以我們需要進行轉換后才能對比校驗，經過使用在線hash網站中的一個個hash函數嘗試比對，發現hash算法為crc32b，crc32是一個常見算法，用於文件校驗，但是crc32b百度了一圈也搜索不到是個啥東西，無奈出國google了一下，crc32b只是將crc32算法加密后的結果轉換成了16進制，下面提供c#實現的功能函數

        /// <summary>
        /// CRC32校驗算法
        /// </summary>
        protected static ulong[] Crc32Table;
        //生成CRC32碼表
        public static void GetCRC32Table()
        {
            ulong Crc;
            Crc32Table = new ulong[256];
            int i, j;
            for (i = 0; i < 256; i++)
            {
                Crc = (ulong)i;
                for (j = 8; j > 0; j--)
                {
                    if ((Crc & 1) == 1)
                        Crc = (Crc >> 1) ^ 0xEDB88320;
                    else
                        Crc >>= 1;
                }
                Crc32Table[i] = Crc;
            }
        }
        //獲取字符串的CRC32校驗值
        public static ulong GetCRC32Str(string sInputString)
        {
            //生成碼表
            GetCRC32Table();
            byte[] buffer = System.Text.ASCIIEncoding.ASCII.GetBytes(sInputString); ulong value = 0xffffffff;
            int len = buffer.Length;
            for (int i = 0; i < len; i++)
            {
                value = (value >> 8) ^ Crc32Table[(value & 0xFF) ^ buffer[i]];
            }
            return value ^ 0xffffffff;
        }

        public static string GetCRC32bStr(string sInputString)
        {
            return GetCRC32Str(sInputString).ToString("x");
        }

通過代碼GET請求保存xml文件

在保存xml文件的過程中發現輸出流轉為文字永遠是亂碼，經過查看請求網頁中header中的值，發現返回的xml數據流是壓縮格式的

​

所以我們對GET請求的方法進行了一些設置，首先Accept-Encoding需要與真正的訪問請求保持一致，然后設置自動解壓，下面提供c#示例

        public static String HttpGet_BiliBiliXmlFile(string Url)
        {
            HttpWebRequest request = (HttpWebRequest)WebRequest.Create(Url);
            request.Method = "GET";
            request.ContentType = "text/html;charset=UTF-8";
            request.Headers[HttpRequestHeader.AcceptEncoding] = "gzip, deflate, br";
            request.Headers[HttpRequestHeader.AcceptLanguage] = "zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2";
            //自動解壓
            request.AutomaticDecompression = DecompressionMethods.GZip | DecompressionMethods.Deflate; 
            HttpWebResponse response = (HttpWebResponse)request.GetResponse();
            Stream myResponseStream = response.GetResponseStream();
            StreamReader myStreamReader = new StreamReader(myResponseStream, Encoding.UTF8);
            string retString = myStreamReader.ReadToEnd();
            myStreamReader.Close();
            myResponseStream.Close();

            return retString;
        }

功能到這里就全部分析完畢了，最后打個廣告，自己寫的ASP.NET MVC快速開發框架，希望支持一波

地址：https://gitee.com/grassprogramming/FastExecutor