用Python爬取b站弹幕,看大家还会接受《爱情公寓5》吗?
用Python爬取b站弹幕,看大家还会接受《爱情公寓5》吗?
朱小五 凹凸数据
尽管抄袭傍身,也没能阻挡《爱情公寓5》进击的脚步。
最近爱情公寓电视剧微博发布了长达8分钟的揭幕视频,官宣新季将在2020正式开播。
几位主演纷纷转发宣传,将#爱情公寓5揭幕#的话题送上了热搜。
观众在经历过一次《爱情公墓》的诈骗后,能否接受《爱情公寓5》(下文简称爱5)?
让我们来分析一下。
获取数据
首先,我选取了在B站上最热的视频,目前已经179万播放量,2万弹幕。
为什么选择B站呢?
著名UP主“残狼之卑”,曾经在b站上传了几十个对比视频,做成《爱情公寓的抄袭史》,每期视频播放量都几十万,所以按理来说B站的用户反对爱情公寓的人应该很多。
如果B站的用户都可以接受,那么《爱5》可能真的会取得不错的播放量。
B站的弹幕数据是有接口的,比如说:
https://comment.bilibili.com/********.xml
它以一个固定的url地址+视频的cid+.xml组成。只要找到你想要的视频cid,替换这个url就可以爬取所有弹幕了。
以刚才的视频为例
它的cid就是123519261,构成url就是:
https://comment.bilibili.com/123519261.xml
下载并打开这个XML格式的弹幕文件。
观察上图,所有的弹幕都放在了<d>标签下
那么我们写段爬虫:
from bs4 import BeautifulSoupimport pandas as pdimport requestsurl = 'http://comment.bilibili.com/123519261.xml'html = requests.get(url)html.encoding='utf8'soup = BeautifulSoup(html.text, 'lxml')results = soup.find_all('d')comments = [comment.text for comment in results]comments_dict = {'comments': comments}df = pd.DataFrame(comments_dict)df.to_csv('bili_ai5.csv', encoding='utf-8-sig')
最后成功获取1000条弹幕数据。
(b站给出的字幕限制是1000条)
数据分析
在弹幕中看到很多人提及“大二了”,“从小学5年级开始看”,我们来看一下学生阶段在弹幕中的提及数。
#学生阶段在弹幕中的提及数a = {'小学':'小学|一年级|二年级|三年级|四年级|五年级|六年级', '初中':'初中|初一|初二|初三', '高一':'高一', '高二':'高二', '高三':'高三', '大一':'大一', '大二':'大二', '大三':'大三', '大四':'大四',}for key, value in a.items(): data[key] = data['comments'].str.contains(value)staff_count = pd.Series({key: data.loc[data[key], 'comments'].count() for key in a.keys()}).sort_values()print(staff_count)
1000条弹幕就包含了这么多关于年龄的怀念。
数据可视化
我们将爬取得到的弹幕做个词云,更加直观地展示。
import jiebafrom collections import Counterfrom pyecharts import WordCloudstop_words = [x.strip() for x in open ('stopwords.txt',encoding="utf-8") ]text = ''.join(data['comments'])words = list(jieba.cut(text))ex_sw_words = []for word in words: if len(word)>1 and (word not in stop_words): ex_sw_words.append(word)c = Counter()c = Counter(ex_sw_words)wc_data = pd.DataFrame({'word':list(c.keys()), 'counts':list(c.values())}).sort_values(by='counts', ascending=False).head(100)wordcloud = WordCloud(width=1300, height=620)wordcloud.add("", wc_data['word'], wc_data['counts'], word_size_range=[15, 80])
词云图上,可以看到《爱情公寓》依旧是一代人快乐的回忆,即便是电影导致IP口碑全面崩盘,但粉丝好感似乎用之不尽。即便有人提到抄袭借鉴之类的,也会被说“黑粉gun开”。
通过这次B站弹幕的爬取分析,我现在可以肯定的是《爱5》依然会有很多人看。只要片方挥舞着“十年怀旧,挥别青春”的大旗便会无往不利,这也是他们的底气所在。
其实我理解大家只是想要一个结局。
但《爱5》过后。
没有演技的演员重新找路。
靠着怀旧的片方盆丰钵满。
这是我们想要的结局吗?
©著作权归作者所有:来自51CTO博客作者mb5fe18e5a55d8d的原创作品,如需转载,请注明出处,否则将追究法律责任朱小五,某互联网公司数据分析师,热衷于爬虫,数据分析,可视化,个人公众号《凹凸玩数据》
本文相关代码已上传github:
https://github.com/zpw1995/aotodata/tree/master/bilibili_danmu
更多相关文章
- 如何用python进行数据分析——00环境配置
- Python爬取近十年TIOBE编程语言热度数据并可视化可视化
- 手把手教你用Selenium爬取拉勾网数据!
- 更高效的利用Jupyter+pandas进行数据分析,6种常用数据格式效率对
- 数据结构之优先队列和堆
- 一篇长文带你在python里玩转Json数据
- 实战|手把手教你用Python爬取存储数据,还能自动在Excel中可视化!
- pivottablejs|在Jupyter中尽情使用数据透视表!
- 2020年入门数据分析选择Python还是SQL?七个常用操作对比!