作者 | 皖渝
出品 | 凹凸数据（ID:alltodata）
头图 | CSDN 下载自东方IC
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)
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。
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 requests
import re
from bs4 import BeautifulSoup as BS
import os
path='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.text
def 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+=1
if __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
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】
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 jieba
import os
import pandas as pd
os.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=1
def 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+=1
df.T.to_csv('role_count.csv',encoding='gb18030')
可视化
import numpy as np
import matplotlib.pyplot as plt
plt.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()
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
其讨论次数结果及剧集名如下表所示
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。
相关代码如下：
df=pd.read_csv('role_count.csv',encoding='gbk')
df=df.fillna(0).set_index('episode')
xinyi=df[df['新一']>=250]['新一'].to_frame()
print(xinyi) #新一登场集数
plt.figure(figsize=(10,5))
plt.plot(df.index,df['新一'],label='新一',color='blue',alpha=0.6)
plt.annotate('集数:50,讨论次数:309',
xy=(50,309),
xytext=(40,330),
arrowprops=dict(color='red',headwidth=8,headlength=8)
)
plt.annotate('集数:206,讨论次数:263',
xy=(206,263),
xytext=(195,280),
arrowprops=dict(color='red',headwidth=8,headlength=8)
)
plt.annotate('集数:571,讨论次数:290',
xy=(571,290),
xytext=(585,310),
arrowprops=dict(color='red',headwidth=8,headlength=8)
)
plt.hlines(xmin=df.index.min(),xmax=df.index.max(),y=250,linestyles='--',colors='red')
plt.legend(loc='best',frameon=False)
plt.xlabel('集数')
plt.ylabel('讨论次数')
plt.title('工藤新一讨论次数分布图')
plt.show()
以讨论次数最多的572集，绘制词云图(剔除了高频词"新一"，防止遗漏其他信息)如下所示：从图中可看出，出现频率较高地词有整容、服部、声音、爱情等。(看来凶手是整成了新一的模样进行犯罪的，还有新兰的感情戏在里面，值得一看）
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)
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：
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
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。
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 os
import pandas as pd
df=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=0
for 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 codecs
import csv
import jieba
linesName=[]
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,relationship
def 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 relationship
def 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)
将生成的文件导入 Gephi ，得到如下人物形象图
线条越粗的线，代表该人物特征越明显。不难看出，大家对于哀酱的评价主要是美腻、可爱、心疼。
再做一张琴酒的~哈哈哈，大家对琴酒的评价就比较逗逼了，变态，痴汉，聪明啥都有~
你以为的琴酒，实际上的琴酒（手动滑稽
以上就是本次 python 实战的全部内容~
欢迎大家关注皖渝的博客：
https://blog.csdn.net/shine4869/article/details/107381791
更多精彩推荐
☞共建智慧云基石，阿里云携手英特尔走向数智未来
☞国产开源，GitHub 标星 47000+ ，百度飞桨从打响第一枪到战役突围
☞那个放弃谷歌回老家二本教书的清华姚班生，现在怎么样了？
☞硅谷2020最新大数据学习路线：科学使用这一招，12周助你成为数据分析师
☞国产开源，GitHub 标星 47000+ ，百度飞桨从打响第一枪到战役突围
☞用以太坊承载的比特币，还只是起步阶段点分享点点赞点在看
来源：oschina
链接：https://my.oschina.net/u/4272811/blog/4650348