前言

雖然標題是全站，但目前只做了等級 top 100 直播間的全天彈幕收集。

彈幕收集系統(tǒng)基于之前的B 站直播彈幕姬 Python 版修改而來。具體協(xié)議分析可以看上一篇文章。

直播彈幕協(xié)議是直接基于 TCP 協(xié)議，所以如果 B 站對類似我這種行為做反制措施，比較困難。應(yīng)該有我不知道的技術(shù)手段來檢測類似我這種惡意行為。

我試過同時連接 100 個房間，和連接單個房間 100 次的實驗，都沒有問題。>150 會被關(guān)閉鏈接。

直播間的選取

現(xiàn)在彈幕收集系統(tǒng)在選取直播間上比較簡單，直接選取了等級 top100。

以后會修改這部分，改成定時去 http://live.bilibili.com/all 查看新開播的直播間，并動態(tài)添加任務(wù)。

異步任務(wù)和彈幕存儲

收集系統(tǒng)仍舊使用了 asyncio 異步協(xié)程框架，對于每一個直播間都使用如下方法來加進 loop 中。

danmuji = bilibiliClient(url, self.lock, self.commentq, self.numq)
task1 = asyncio.ensure_future(danmuji.connectServer())
task2 = asyncio.ensure_future(danmuji.HeartbeatLoop())

其實若將心跳任務(wù) HeartbeatLoop 放入 connectorServer 中去啟動，代碼看起來更優(yōu)雅一些。但這么做是因為我需要維護一個任務(wù)列表，后面會有描述。

在彈幕存儲上我花了些時間選擇。

數(shù)據(jù)庫存儲是一個同步 IO 的過程，Insert 的時候會阻塞彈幕收集的任務(wù)。雖然有 aiomysql 這種異步接口，但配置數(shù)據(jù)庫太麻煩，我的設(shè)想是這個小系統(tǒng)能夠方便地部署。

最終我選擇使用自帶的 sqlite3。但 sqlite3 無法做并行操作，故開了一個線程單獨進行數(shù)據(jù)庫存儲。在另一個線程中，100 * 2 個任務(wù)搜集所有的彈幕、人數(shù)信息，并塞進隊列 commentq, numq 中。存儲線程每隔 10s 喚醒一次，將隊列中的數(shù)據(jù)寫進 sqlite3 中，并清空隊列。

在多線程和異步的配合下，網(wǎng)絡(luò)流量沒有被阻塞。

可能的連接失敗場景處理

彈幕協(xié)議是直接基于 TCP，位與位直接關(guān)聯(lián)性較強，一旦解析錯誤，很容易就拋 Exception（個人感覺，雖然 TCP 是可靠傳輸，但B站服務(wù)器自身發(fā)生錯誤也是有可能的）。所以有必要設(shè)計一個自動重連機制。

在 asyncio 文檔中提到，

Done means either that a result / exception are available, or that the future was cancelled.

函數(shù)正常返回、拋出異常或者是被 cancel，都會退出當前任務(wù)?？梢允褂?done() 來判斷。

每一個直播間對應(yīng)兩個任務(wù)，解析任務(wù)是最容易掛的，但并不會影響心跳任務(wù)，所以必須找出并將對應(yīng)心跳任務(wù)結(jié)束。
在創(chuàng)建任務(wù)的時候使用字典記錄每個房間的兩個任務(wù)，

self.tasks[url] = [task1, task2]

在運行過程中，每隔 10s 做一次檢查，

for url in self.tasks:
  item = self.tasks[url]
  task1 = item[0]
  task2 = item[1]
  if task1.done() == True or task2.done() == True:
    if task1.done() == False:
      task1.cancel()
    if task2.done() == False:
      task2.cancel()
    danmuji = bilibiliClient(url, self.lock, self.commentq, self.numq)
    task11 = asyncio.ensure_future(danmuji.connectServer())
    task22 = asyncio.ensure_future(danmuji.HeartbeatLoop())
    self.tasks[url] = [task11, task22]

實際我只見過一次任務(wù)失敗的場景，是因為主播房間被封了，導(dǎo)致無法進入直播間。

結(jié)論

1. B站人數(shù)是按照連接彈幕服務(wù)器的鏈接數(shù)量統(tǒng)計的。通過操縱鏈接量，可以瞬間增加任意人數(shù)觀看，有商機？
2. 運行的這幾天中，發(fā)現(xiàn)即使大部分房間不在直播，也能有 >5 的人數(shù)，包括凌晨。我只能猜測也有和我一樣的人在 24h 收集彈幕。
3. top100 平均一天 40M 彈幕數(shù)據(jù)。
4. 收集的彈幕能做什么？還沒想好，可能可以拿來做用戶行為分析 -_^

最后附上本源碼的GITHUB地址 https://github.com/lyyyuna/bilibili_danmu_colloector