python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(1)

作者 | 皖渝

出品 | 凹凸数据（ID:alltodata）

头图 | CSDN 下载自东方IC

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(2)

爬取介绍

利用 Chrome 浏览器抓包可知，B站的弹幕文件以 XML 文档式进行储存，如下所示(共三千条实时弹幕)

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(3)

其 URL 为：http://comment.bilibili.com/183362119.xml

数字183362119则代表该视频专属 ID ，通过改变数字即可得到相应的弹幕文件。打开第1集的视频，查看源码，如下图所示。

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(4)

不难看出，CID 则是对应着各个视频的 ID，接下来用正则提取即可。

完整爬取代码如下

import requestsimport refrom bs4 import BeautifulSoup as BSimport ospath='C:/Users/dell/Desktop/柯南'if os.path.exists(path)==False: os.makedirs(path)os.chdir(path)def gethtml(url,header): r=requests.get(url,headers=header) r.encoding='utf-8' return r.textdef crawl_comments(r_text): txt1=gethtml(url,header) pat='"cid":(\d )' chapter_total=re.findall(pat,txt1)[1:-2] count=1 for chapter in chapter_total: url_base='http://comment.bilibili.com/{}.xml'.format(chapter) txt2=gethtml(url_base,header) soup=BS(txt2,'lxml') all_d=soup.find_all('d') with open('{}.txt'.format(count),'w',encoding='utf-8') as f: for d in all_d: f.write(d.get_text '\n') print('第{}话弹幕写入完毕'.format(count)) count =1if __name__=='__main__': url='https://www.bilibili.com/bangumi/play/ep321808' header={'user-agent':'Opera/12.80 (Windows NT 5.1; U; en) Presto/2.10.289 Version/12.02'} r_text=gethtml(url,header) crawl_comments(r_text)

最终的全部弹幕文件都在桌面的"柯南"文件下

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(5)

注：这里共爬取到980个弹幕文件。【B站的柯南自941集后就跳到994集(大会员才能观看的)。虽然目前更新到1032话，但并没有1032集内容，如下图所示】

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(6)

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(7)

弹幕可视化

1、主要人物讨论总次数分析

统计人数总次数

注：role.txt 是主要人物名文件(需考虑到弹幕一般不会对人物的全名进行称呼，多数使用的是昵称，否则可能与实际情况相差较大。）

import jiebaimport osimport pandas as pdos.chdir('C:/Users/dell/Desktop')jieba.load_userdict('role.txt')role=[ i.replace('\n','') for i in open('role.txt','r',encoding='utf-8').readlines()]txt_all=os.listdir('./柯南/')txt_all.sort(key=lambda x:int(x.split('.')[0])) #按集数排序count=1def role_count:df = pd.DataFrame for chapter in txt_all: names={} data= with open('./柯南/{}'.format(chapter),'r',encoding='utf-8') as f: for line in f.readlines: poss=jieba.cut(line) for word in poss: if word in role: if names.get(word) is None: names[word]=0 names[word] =1 df_new = pd.DataFrame.from_dict(names,orient='index',columns=['{}'.format(count)]) df = pd.concat([df,df_new],axis=1) print('第{}集人物统计完毕'.format(count)) count =1df.T.to_csv('role_count.csv',encoding='gb18030')

可视化

import numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['kaiti']plt.style.use('ggplot')df=pd.read_csv('role_count.csv',encoding='gbk')df=df.fillna(0).set_index('episode')plt.figure(figsize=(10,5))role_sum=df.sum.to_frame.sort_values(by=0,ascending=False)g=sns.barplot(role_sum.index,role_sum[0],palette='Set3',alpha=0.8)index=np.arange(len(role_sum))for name,count in zip(index,role_sum[0]): g.text(name,count 50,int(count),ha='center',va='bottom',)plt.title('B站名侦探柯南弹幕——主要人物讨论总次数分布')plt.ylabel('讨论次数')plt.show

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(8)

虽说是万年小学生，柯南还是有变回新一的时候，且剧情也并不只是"找犯人—抓犯人"。接下来从数据的角度来，扒扒一些精彩剧情集数。

2、柯南变回新一集数统计

考虑到部分集数中新一是在回忆中出现的，为减少偏差，将讨论的阈值设为250次，绘制如下分布图

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(9)

其讨论次数结果及剧集名如下表所示

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(10)

有兴趣的朋友可以码一下，除235集外，均是柯南变回新一的集数。

3、主线集数内容分析

主线剧情主要是围绕着组织成员(琴酒、伏特加、贝尔摩德)展开，绘制分布图如下：

plt.figure(figsize=(10,5))names=['琴酒','伏特加','贝姐']colors=['#090707','#004e66','#EC7357']alphas=[0.8,0.7,0.6]for name,color,alpha in zip(names,colors,alphas): plt.plot(df.index,df[name],label=name,color=color,alpha=alpha)plt.legend(loc='best',frameon=False)plt.annotate('集数:{},讨论次数:{}'. format(df['贝姐'].idxmax,int(df['贝姐'].max)), xy=(df['贝姐'].idxmax,df['贝姐'].max), xytext=(df['贝姐'].idxmax 30,df['贝姐'].max), arrowprops=dict(color='red',headwidth=8,headlength=8) )plt.xlabel('集数')plt.ylabel('讨论次数')plt.title('酒厂成员讨论次数分布图')plt.hlines(xmin=df.index.min,xmax=df.index.max,y=200,linestyles='--',colors='red')plt.ylim(0,400)#输出主线剧集mainline=set(list(df[df['贝姐']>=200].index) list(df[df['琴酒']>=200].index)) #伏特加可忽略不计print(mainline)

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(12)

从上图分析可知，组织成员的行动基本一致，其中贝姐(贝尔摩德)的人气在三人中是较高的，特别是在375集(与黑暗组织直面对决系列)，讨论次数高达379。此外，统计其讨论次数大于200次的集数，结果如下：

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(13)

以讨论次数最高的375集为内容，绘制词云图(剔除了高频词"贝姐"，防止遗漏其他信息)如下

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(14)

从图中可知，天使、琴酒、干妈、心疼、狙击手等词汇出现频率较高。从词频较低的败北主线中可以看出，这次酒厂行动应该是失败告终。

python爬取b站评分数据（Python爬取B站弹幕Gephi梳理主线剧情）(15)

人物形象网络分析

1、合并 txt 文件

为尽可能反映出弹幕观众对人物形象的描述，考虑到一集弹幕共3000条，为减少运行成本，这里仅选取特定人物讨论次数最多的20集合并后再进行分析。

import osimport pandas as pddf=pd.read_csv('role_count.csv',encoding='gbk')df=df.fillna(0).set_index('episode')huiyuan_ep=list(df.sort_values(by='灰原哀',ascending=False).index[:20])mergefiledir = 'C:/Users/dell/Desktop/柯南'file=open('txt_all.txt','w',encoding='UTF-8') count=0for filename in huiyuan_ep: filepath=mergefiledir '/' str(filename) '.txt' for line in open(filepath,encoding='UTF-8'): file.writelines(line) file.write('\n') count =1 print('第{}集写入完毕'.format(count))file.close

2、人物形象可视化

借助共现矩阵的思想，即同一句话中出现两个指定的词则计数1。指定起始点 Source 为灰原哀，代码如下所示：(注：其中，stopwods.txt 为停止词文件，role.txt 为人物昵称文件)

import codecsimport csvimport jiebalinesName=names={}relationship={}jieba.load_userdict('role.txt')txt=[ line.strip() for line in open('stopwords.txt','r',encoding='utf-8')]name_list=[ i.replace('\n','') for i in open('role.txt','r',encoding='utf-8').readlines()]def base(path): with codecs.open(path,'r','UTF-8') as f: for line in f.readlines: line=line.replace('\r\n','') poss = jieba.cut(line) linesName.append([]) for word in poss: if word in txt: continue linesName[-1].append(word) if names.get(word) is None: names[word]=0 relationship[word]={} names[word] =1 return linesName,relationshipdef relationships(linesName,relationship,name_list): for line in linesName: for name1 in line: if name1 in name_list: for name2 in line: if name1==name2: continue if relationship[name1].get(name2) is None: relationship[name1][name2]=1 else: relationship[name1][name2] =1 return relationshipdef write_csv(relationship): csv_writer2=open('edges.csv','w',encoding='gb18030') writer=csv.writer(csv_writer2,delimiter=',',lineterminator='\n') writer.writerow(['Source','Target','Weight']) for name,edges in relationship.items: for k,v in edges.items: if v>10: writer.writerow([name,k,v]) csv_writer2.close if __name__=='__main__': linesName,relationship=base('txt_all.txt') data=relationships(linesName,relationship,name_list) write_csv(data)