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。
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。
# 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:
词云图效果:
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
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: 如有侵权,请联系删除。