详解python爬取弹幕与数据分析

由于疫情的关系，原本线下的AWD改成线上CTF了，比赛内容是关于大数据的。

一、比赛介绍

大数据总体来说分为三个过程。

第一个过程是搭建hadoop环境。

hadoop就是一个集成环境，这个环境里面包含了很多软件。这些软件的功能各不相同，比如文件分布式等；总的来说，就是为了大数据而服务的一个环境。

第二个过程就是爬取数据。

其中有爬取视频的弹幕。这个要比单纯的爬取视频麻烦一点，因为每个网站对弹幕的算法不一样。一会儿我会写两个爬虫，分别爬取B站和A站的弹幕你们就知道了。

第三个过程就是分析数据。

二、爬虫

爬虫其实是一种代称，只是功能比较特殊，所以这么叫。在没学爬虫之前，先想想看，我们正常是如何获取一些信息呢？比如我们想知道周杰伦的歌单都有什么的时候。

第一步肯定是去百度搜索周杰伦，然后我们就可以在qq音乐之类的音乐网站上看到周杰伦的歌单。爬虫也得这样。它没有你想象的那么神奇，肯定是要在某些网站上操作才行。

接着，你就可以一点一点的记录下来周杰伦的信息。我们的爬虫实现的也是这样的过程，只不过你一秒钟只能访问一个页面，而爬虫一秒钟可以访问几万个页面。

三、爬取网站弹幕

1、A站

A站相对于B站要简单一点、我们先观察网页，如下，这个是我随便打开的一个视频。

现在网站上的这些数据大部分都是动态的，因此我们不能直接用html解析器来解析网页，得直接爬取xhr里面的数据。

先按F12抓包。然后我们在搜索栏中随便搜索一条我们的弹幕。

我们双击这个查找的结果并进行观察。点到privew，可以发现这里面包含了我们所有的弹幕。

因此，这种网站直接爬取就行了。点到headers，我们观察参数以及请求方式。

这些得到了以后，上脚本。

import requests

url="https://www.acfun.cn/rest/pc-direct/new-danmaku/poll"

headers={

"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.193 Safari/537.36",

"cookie":""

#注意，cookie要填你自己的。A站有些特殊，爬取的时候需要加上cookie。

}

data={

"videoId":"15779946",

"lastFetchTime":"0",

"enableAdvanced":"true"

}

html=requests.post(url,headers=headers,data=data)

html=html.json()

html=html["added"]

for i in html:

print(i["body"])

效果如图：

数量我数了一下，刚好是这个视频的弹幕数。你们可以添加自己的东西上去，比如增加写入文件的功能。

2、B站

B站的弹幕是另一种算法。

B站将弹幕单独剥离出来到了一个网页上，需要视频对应的cid才可以获得到弹幕对应的码，然后获得视频的弹幕信息。

举个例子：【哔哩哔哩2019拜年祭】

首先，我们要获取到视频的视频号以前是av号，现在是bv号。

然后将这个链接加上你的bv号。这个是哔哩哔哩的一个api，可以获得cid。

https://api.bilibili.com/x/player/pagelist?bvid=BV17t411y7R1&jsonp=jsonp

将连接中的bvid换成bv号。

如图，我们发现了视频有4个cid。

接着我们使用下一个api，这样就可以获得弹幕了。

https://comment.bilibili.com/76457841.xml

将后面的数字换成刚找到的cid。

结果如图：

这就是我们手动获得弹幕的流程，接下来就是用爬虫做出来就行了。

第一步，将bv转成av号。其实你可以直接用bv号，但是由于我做这个帖子之前的时候用的是av号找的，所以加了这么一步。

这一步直接去网上找工具就行了，有很多，就不往代码上面加了。

第二步，用刚才给的第二个api获得cid。我们使用爬虫即可，将网址构造成规定的格式。

https://www.bilibili.com/widget/getPageList?aid=？

问号换成aid。

第三步，爬取。可以看到我们最终返回的是一个xml文件，所以用爬虫里面的xml解析器解析即可，直接上代码。

import requests

from bs4 import BeautifulSoup

import lxml

aid=input("请输入av号：如果是bv码请转换为av号
")

file_name=input("请输入保存文件名：
")

f=open(file_name,"a",encoding="utf-8")

headers={

"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.193 Safari/537.36"

}

get_cid="https://www.bilibili.com/widget/getPageList?aid="+aid

cid_list=eval(requests.get(get_cid).text)

for cid in cid_list:

cid=cid["cid"]

xml="https://comment.bilibili.com/"+str(cid)+".xml"

html=requests.get(xml,headers=headers)

html.encoding=html.apparent_encoding

soup=BeautifulSoup(html.text,"xml").find_all("d")

for dm in soup:

f.write(dm.text+"
")

f.close()

这个是直接将弹幕文件保存到本地了，为了方便后续的分析。

结果如图：

一共是九万多条弹幕。在这里就不一个一个展示了。

四、数据分析

要说分析的话其实这个是很广的，得依据特定的要求来做。

第一个，高频词统计。

代码是我copy的，简单但是好用。

（将上一步的文件放到和脚本同一个目录下）

import jieba.analyse

f=open(r"bilibil周年庆.txt",encoding="utf-8")#打开文件

text=f.read()#读取文件

text_list=jieba.analyse.extract_tags(text,topK=40)#进行jieba分词，并且取频率出现最高的40个词

text_list="，".join(text_list)#用空格将这些字符串连接起来

print(text_list)

如图，40个出现字数最多的词汇就被统计出来了。

由于是机器识别，难免不准，所以不要在意。

第二个，情感分析。这个是我猜测可能会用的到的东西。

我们这个可以直接用baiduAPI来做，要比我们自己的写的好。这个api会将所有的数据进行情感预测，并且返回积极或者消极的概率。

不过你首先得去申请一个百度api的账号。这个就不说了。

代码也是我copy的。

（原本是要两个脚本，我改进了一下，写成了一个脚本。这个脚本仅仅测试了两个词，如果想对文件进行分析，稍微改动一下就行了。）

import re

import requests

import json

# 将text按照lenth长度分为不同的几段

def cut_text(text, lenth):

textArr=re.findall(".{"+str(lenth)+"}", text)

textArr.append(text[(len(textArr)*lenth):])

return textArr# 返回多段值

def get_emotion(access_token,data):# 情感分析

# 定义百度API情感分析的token值和URL值

token=access_token

url="https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token={}".format(token)

# 百度情感分析API的上限是2048字节，因此判断文章字节数小于2048，则直接调用

if (len(data.encode()) <2048):

new_each={

"text": data# 将文本数据保存在变量new_each中，data的数据类型为string

}

new_each=json.dumps(new_each)

res=requests.post(url, data=new_each)# 利用URL请求百度情感分析API

# print("content: ", res.content)

res_text=res.text# 保存分析得到的结果，以string格式保存

result=res_text.find("items")# 查找得到的结果中是否有items这一项

positive=1

if (result !=-1):# 如果结果不等于-1，则说明存在items这一项

json_data=json.loads(res.text)

negative=(json_data["items"][0]["negative_prob"])# 得到消极指数值

positive=(json_data["items"][0]["positive_prob"])# 得到积极指数值

print("positive:",positive)

print("negative:",negative)

# print(positive)

if (positive > negative):# 如果积极大于消极，则返回2

return 2

elif (positive==negative):# 如果消极等于积极，则返回1

return 1

else :

return 0# 否则，返回0

else :

return 1

else :

data=cut_text(data,1500)# 如果文章字节长度大于1500，则切分

# print(data)

sum_positive=0.0# 定义积极指数值总合

sum_negative=0.0# 定义消极指数值总和

for each in data:# 遍历每一段文字

# print(each)

new_each={

"text": each# 将文本数据保存在变量new_each中

}

new_each=json.dumps(new_each)

res=requests.post(url, data=new_each)# 利用URL请求百度情感分析API

# print("content: ", res.content)

res_text=res.text# 保存分析得到的结果，以string格式保存

result=res_text.find("items")# 查找得到的结果中是否有items这一项

if (result !=-1):

json_data=json.loads(res.text)# 如果结果不等于-1，则说明存在items这一项

positive=(json_data["items"][0]["positive_prob"])# 得到积极指数值

negative=(json_data["items"][0]["negative_prob"])# 得到消极指数值

sum_positive=sum_positive+positive# 积极指数值加和

sum_negative=sum_negative+negative# 消极指数值加和

# print(positive)

print(sum_positive)

print(sum_negative)

if (sum_positive > sum_negative):# 如果积极大于消极，则返回2

return 2

elif (sum_positive==sum_negative):# 如果消极等于于积极，则返回1

return 1

else :

return 0# 否则，返回0

defmain():

# client_id 为官网获取的API Key， client_secret 为官网获取的Secret Key

#这两个我都空出来了，你用你的填上就行了。

client_id=""

client_secret=""

host="https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id="+client_id+"&client_secret="+client_secret

response=requests.get(host)

list_new=eval(response.text)

access_token=list_new["access_token"]

txt1="你好优秀"

txt2="难过！"

print("txt1测试结果：",get_emotion(access_token,txt1))

print("txt2测试结果：",get_emotion(access_token,txt2))

if__name__=="__main__":

main()

效果如图：

剩下的内容比如折线图等就不详细说明了。

到此这篇关于详解python爬取弹幕与数据分析的文章就介绍到这了。

End.

作者：薯片薯条

本文为转载分享，如果涉及作品、版权和其他问题，请联系我们第一时间删除（微信号：lovedata0520）