Python爬取视频网站弹幕，并做成词云图

news/2024/5/21 1:15:59/文章来源:https://blog.csdn.net/chinaherolts2008/article/details/113498209

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

作者：张同学

来源：凹凸数据

Python爬虫、数据分析、网站开发等案例教程vb.net教程视频免费在线观看
https://www.xin3721.com/eschool/pythonxin3721/

前言
大家好，最近的“瓜”，多到c#教程我们措手不及，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python基础教程用的分析方法？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。

在这里插入图片描述

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 Falseelse:if response.status_code == 200:# 下载xml文件with open('bilibili.xml','wb') as f:f.write(response.content)return Trueelse: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。

在这里插入图片描述

# 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