用Python爬取王冰冰vlog弹幕并制作词云

Aidan075
• 阅读 1336

用Python爬取王冰冰vlog弹幕并制作词云

大家好,我是张同学,最近的“瓜”,多到我们措手不及,可谓是“热点不断”。作为程序员,我们还可能随时为此而加班。

各种评论视频“爆炸”网络,打开首页全是热点话题的内容,某知名UP主发布视频都要错下峰。

我就在思考:这么火爆的话题和内容,有没有一种通用的分析方法?答案是:抓取弹幕或者评论。

下面就让我们以冰冰vlog的视频弹幕为例,来进行分析。

一、获取方法

1.网页解析:网页结构可能随时会发生变化。

2.python第三方api:可能会有维护跟不上的问题。

经过简单对比,我选择第一种方法。

二、网页分析

爬取弹幕的关键是获取视频的cid,有些地方也叫oid。通过浏览器的开发者模式我们不难找到该视频的cid。我们通过https://comment.bilibili.com/+视频的cid+.xml就可以爬取该视频所有弹幕了。

用Python爬取王冰冰vlog弹幕并制作词云

用Python爬取王冰冰vlog弹幕并制作词云

三、弹幕文件下载和解析

由于弹幕内容集中在xml文件里,我们需要对文件进行下载,使用xpath解析文件。

from lxml import etree  
import  requests  
import time  
import jieba  
import numpy as np  
from PIL import Image  
from wordcloud import WordCloud as wc  
class Bilibili():  
    """docstring for Bilibili"""  
    def __init__(self,oid):  
        self.headers={  
        'Host': 'api.bilibili.com',  
        'Connection': 'keep-alive',  
        'Cache-Control': 'max-age=0',  
        'Upgrade-Insecure-Requests': '1',  
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36',  
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',  
        'Accept-Encoding': 'gzip, deflate, br',  
        'Accept-Language': 'zh-CN,zh;q=0.9',  
        'Cookie': 'finger=edc6ecda; LIVE_BUVID=AUTO1415378023816310; stardustvideo=1; CURRENT_FNVAL=8; buvid3=0D8F3D74-987D-442D-99CF-42BC9A967709149017infoc; rpdid=olwimklsiidoskmqwipww; fts=1537803390'  

        }  
        self.url='https://api.bilibili.com/x/v1/dm/list.so?oid='+str(oid)  
        self.barrage_reault=self.get_page()  

    # 获取信息  
    def get_page(self):  
        try:  
            # 延时操作,防止太快爬取  
            time.sleep(0.5)  
            response=requests.get(self.url,headers=self.headers)  
        except Exception as e:  
            print('获取xml内容失败,%s' % e)  
            return False  
        else:  
            if response.status_code == 200:  
                # 下载xml文件  
                with open('bilibili.xml','wb') as f:  
                    f.write(response.content)  
                return True  
            else:  
                return False  

    # 解析网页  
    def param_page(self):  
        time.sleep(1)  
        if  self.barrage_reault:  
            # 文件路径,html解析器  
            html=etree.parse('bilibili.xml',etree.HTMLParser())  
            # xpath解析,获取当前所有的d标签下的所有文本内容  
            results=html.xpath('//d//text()')  
            return results  

四、弹幕去重

重复的弹幕进行归类,未出现过的弹幕创建新的分类。为词频统计和词云做好准备。

# 弹幕去重  
def remove_double_barrage(self):  
    '''  
    double_arrage:所有重复弹幕的集合  
    results:去重后的弹幕  
    barrage:每种弹幕内容都存储一遍  
    '''  
    double_barrage=[]  
    results=[]  
    barrage=set()  
    for result in self.param_page():  
        if result not in results:  
            results.append(result)  
        else:  
            double_barrage.append(result)  
            barrage.add(result)  
    return double_barrage,results,barrage  

五、弹幕重复次数统计和制作词云

我们在网上照一张“王冰冰”的照片,进行简单的处理,作为词云的轮廓图。用Python爬取王冰冰vlog弹幕并制作词云

用Python爬取王冰冰vlog弹幕并制作词云

# 弹幕重复次数和词云制作  
def make_wordCould(self):  
    double_barrages,results,barrages=self.remove_double_barrage()  
    # 重词计数  
    with open('barrages.txt','w') as f:  
        for barrage in barrages:  
            amount=double_barrages.count(barrage)  
            f.write(barrage+':'+str(amount+1)+'\n')  

    # 设置停用词  
    stop_words=['【','】',',','.','?','!','。']  
    words=[]  
    if results:  
        for result in results:  
            for stop in stop_words:  
                result=''.join(result.split(stop))  
            words.append(result)  
        # 列表拼接成字符串  
        words=''.join(words)  
        words=jieba.cut(words)  
        words=''.join(words)  
        bingbing=np.array(Image.open('冰冰.jpg'))  
        w=wc(font_path='‪C:/Windows/Fonts/SIMYOU.TTF',  
             background_color='white',  
             width=900,  
             height=600,  
             max_font_size=15,  
             min_font_size =1,  
             max_words=3000,  
             mask=bingbing)  
        w.generate(words)  
        w.to_file('bingbing.jpg')  

b=Bilibili(283851334)#视频的cid  
b.make_wordCould()#绘制词云  

统计结果:

用Python爬取王冰冰vlog弹幕并制作词云

词云图效果:

用Python爬取王冰冰vlog弹幕并制作词云

六、总结

我对于B站的网页结构还有很多不熟悉的地方,或许还有其他更好的分析方法和技巧,最后的人形词云要设置合适的参数才能让人物的形象惟妙惟肖。

该教程我参考了一些网友的方法,对提供技术分享的博主表示感谢[1]。希望我们都能保持一颗学习的心,一直不断地探索吧。

参考资料

[1]

参考文章: https://blog.csdn.net/weixin\_36605200/article/details/82848020

用Python爬取王冰冰vlog弹幕并制作词云

本文转转自微信公众号凹凸数据原创https://mp.weixin.qq.com/s/KlyzFRmTf8no9DpzqJZ6Pg,可扫描二维码进行关注: 用Python爬取王冰冰vlog弹幕并制作词云 如有侵权,请联系删除。

点赞
收藏
评论区
推荐文章
blmius blmius
3年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为
Jacquelyn38 Jacquelyn38
3年前
2020年前端实用代码段,为你的工作保驾护航
有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )
Aidan075 Aidan075
3年前
被“词云”包围的冰冰会更好看吗?安排
(https://imghelloworld.osscnbeijing.aliyuncs.com/b299933deefc692934e8cc6141ab3894.png)大家好,我是小五🐶昨天「凹凸数据」发了一篇张同学投稿的文章《用Python爬取王冰冰vlog弹幕并制作词云(https://mp.weixin.qq.com/
Stella981 Stella981
3年前
Python3:sqlalchemy对mysql数据库操作,非sql语句
Python3:sqlalchemy对mysql数据库操作,非sql语句python3authorlizmdatetime2018020110:00:00coding:utf8'''
Wesley13 Wesley13
3年前
4cast
4castpackageloadcsv.KumarAwanish发布:2020122117:43:04.501348作者:KumarAwanish作者邮箱:awanish00@gmail.com首页:
Stella981 Stella981
3年前
Python之time模块的时间戳、时间字符串格式化与转换
Python处理时间和时间戳的内置模块就有time,和datetime两个,本文先说time模块。关于时间戳的几个概念时间戳,根据1970年1月1日00:00:00开始按秒计算的偏移量。时间元组(struct_time),包含9个元素。 time.struct_time(tm_y
Wesley13 Wesley13
3年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_
Python进阶者 Python进阶者
10个月前
Excel中这日期老是出来00:00:00,怎么用Pandas把这个去除
大家好,我是皮皮。一、前言前几天在Python白银交流群【上海新年人】问了一个Pandas数据筛选的问题。问题如下:这日期老是出来00:00:00,怎么把这个去除。二、实现过程后来【论草莓如何成为冻干莓】给了一个思路和代码如下:pd.toexcel之前把这