|
本文的文字及圖片來源于網(wǎng)絡(luò),僅供學(xué)習(xí),、交流使用,不具有任何商業(yè)用途,如有問題請及時聯(lián)系我們以作處理。 作者：張同學(xué) 來源：凹凸數(shù)據(jù) Python爬蟲,、數(shù)據(jù)分析,、網(wǎng)站開發(fā)等案例教程視頻免費(fèi)在線觀看 https://space.bilibili.com/523606542 前言大家好,，最近的“瓜”，多到我們措手不及,，可謂是“熱點(diǎn)不斷”,。作為程序員，我們還可能隨時為此而加班,。 各種評論視頻“爆炸”網(wǎng)絡(luò),，打開首頁全是熱點(diǎn)話題的內(nèi)容，某知名UP主發(fā)布視頻都要錯下峰,。 我就在思考：這么火爆的話題和內(nèi)容,，有沒有一種通用的分析方法？答案是：抓取彈幕或者評論,。 下面就讓我們以冰冰vlog的視頻彈幕為例,，來進(jìn)行分析。 一,、獲取方法1.網(wǎng)頁解析：網(wǎng)頁結(jié)構(gòu)可能隨時會發(fā)生變化,。 2.python第三方api：可能會有維護(hù)跟不上的問題。 經(jīng)過簡單對比,，我選擇第一種方法,。 二、網(wǎng)頁分析爬取彈幕的關(guān)鍵是獲取視頻的cid,，有些地方也叫oid,。通過瀏覽器的開發(fā)者模式我們不難找到該視頻的cid。我們通過https://comment.bilibili.com/+視頻的cid+.xml就可以爬取該視頻所有彈幕了,。 
三,、彈幕文件下載和解析由于彈幕內(nèi)容集中在xml文件里，我們需要對文件進(jìn)行下載,，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() # 獲取信息 def get_page(self): try: # 延時操作,，防止太快爬取 time.sleep(0.5) response=requests.get(self.url,headers=self.headers) except Exception as e: print('獲取xml內(nèi)容失敗,%s' % e) return False else: if response.status_code == 200: # 下載xml文件 with open('bilibili.xml','wb') as f: f.write(response.content) return True else: return False # 解析網(wǎng)頁 def param_page(self): time.sleep(1) if self.barrage_reault: # 文件路徑,，html解析器 html=etree.parse('bilibili.xml',etree.HTMLParser()) # xpath解析，獲取當(dāng)前所有的d標(biāo)簽下的所有文本內(nèi)容 results=html.xpath('//d//text()') return results
四,、彈幕去重重復(fù)的彈幕進(jìn)行歸類,，未出現(xiàn)過的彈幕創(chuàng)建新的分類。為詞頻統(tǒng)計(jì)和詞云做好準(zhǔn)備,。 # 彈幕去重 def remove_double_barrage(self): ''' double_arrage:所有重復(fù)彈幕的集合 results:去重后的彈幕 barrage:每種彈幕內(nèi)容都存儲一遍 ''' 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,、彈幕重復(fù)次數(shù)統(tǒng)計(jì)和制作詞云我們在網(wǎng)上照一張“王冰冰”的照片，進(jìn)行簡單的處理,，作為詞云的輪廓圖,。 
# 彈幕重復(fù)次數(shù)和詞云制作 def make_wordCould(self): double_barrages,results,barrages=self.remove_double_barrage() # 重詞計(jì)數(shù) with open('barrages.txt','w') as f: for barrage in barrages: amount=double_barrages.count(barrage) f.write(barrage+':'+str(amount+1)+'\n') # 設(shè)置停用詞 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)#視頻的cid b.make_wordCould()#繪制詞云
統(tǒng)計(jì)結(jié)果： 
詞云圖效果：  |
|
|
