python爬取b站評分數據（Python爬取B站彈幕Gephi梳理主線劇情）

2023-05-18 17:10:33

作者 | 皖渝

出品 | 凹凸數據（ID:alltodata）

頭圖 | CSDN 下載自東方IC

爬取介紹

利用 Chrome 瀏覽器抓包可知，B站的彈幕文件以 XML 文檔式進行儲存，如下所示(共三千條實時彈幕)

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

數字183362119則代表該視頻專屬 ID ，通過改變數字即可得到相應的彈幕文件。打開第1集的視頻，查看源碼，如下圖所示。

不難看出，CID 則是對應著各個視頻的 ID，接下來用正則提取即可。

完整爬取代碼如下

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{}話彈幕寫入完畢'.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)

最終的全部彈幕文件都在桌面的"柯南"文件下

註：這裡共爬取到980個彈幕文件。【B站的柯南自941集後就跳到994集(大會員才能觀看的)。雖然目前更新到1032話，但並沒有1032集內容，如下圖所示】

彈幕可視化

1、主要人物討論總次數分析

統計人數總次數

註：role.txt 是主要人物名文件(需考慮到彈幕一般不會對人物的全名進行稱呼，多數使用的是暱稱，否則可能與實際情況相差較大。）

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])) #按集數排序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{}集人物統計完畢'.format(count)) count =1df.T.to_csv('role_count.csv',encoding='gb18030')

可視化

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站名偵探柯南彈幕——主要人物討論總次數分布')plt.ylabel('討論次數')plt.show

雖說是萬年小學生，柯南還是有變回新一的時候，且劇情也並不只是"找犯人—抓犯人"。接下來從數據的角度來，扒扒一些精彩劇情集數。

2、柯南變回新一集數統計

考慮到部分集數中新一是在回憶中出現的，為減少偏差，將討論的閾值設為250次，繪製如下分布圖

其討論次數結果及劇集名如下表所示

有興趣的朋友可以碼一下，除235集外，均是柯南變回新一的集數。

相關代碼如下：

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_frameprint(xinyi) #新一登場集數plt.figure(figsize=(10,5))plt.plot(df.index,df['新一'],label='新一',color='blue',alpha=0.6)plt.annotate('集數:50,討論次數:309', xy=(50,309), xytext=(40,330), arrowprops=dict(color='red',headwidth=8,headlength=8) )plt.annotate('集數:206,討論次數:263', xy=(206,263), xytext=(195,280), arrowprops=dict(color='red',headwidth=8,headlength=8) )plt.annotate('集數:571,討論次數: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('集數')plt.ylabel('討論次數')plt.title('工藤新一討論次數分布圖')plt.show

以討論次數最多的572集，繪製詞雲圖(剔除了高頻詞"新一"，防止遺漏其他信息)如下所示：

從圖中可看出，出現頻率較高地詞有整容、服部、聲音、愛情等。(看來兇手是整成了新一的模樣進行犯罪的，還有新蘭的感情戲在裡面，值得一看）

3、主線集數內容分析

主線劇情主要是圍繞著組織成員(琴酒、伏特加、貝爾摩德)展開，繪製分布圖如下：

plt.figure(figsize=(10,5))names=['琴酒','伏特加','貝姐']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('集數:{},討論次數:{}'. format(df['貝姐'].idxmax,int(df['貝姐'].max)), xy=(df['貝姐'].idxmax,df['貝姐'].max), xytext=(df['貝姐'].idxmax 30,df['貝姐'].max), arrowprops=dict(color='red',headwidth=8,headlength=8) )plt.xlabel('集數')plt.ylabel('討論次數')plt.title('酒廠成員討論次數分布圖')plt.hlines(xmin=df.index.min,xmax=df.index.max,y=200,linestyles='--',colors='red')plt.ylim(0,400)#輸出主線劇集mainline=set(list(df[df['貝姐']>=200].index) list(df[df['琴酒']>=200].index)) #伏特加可忽略不計print(mainline)

從上圖分析可知，組織成員的行動基本一致，其中貝姐(貝爾摩德)的人氣在三人中是較高的，特別是在375集(與黑暗組織直面對決系列)，討論次數高達379。此外，統計其討論次數大於200次的集數，結果如下：

以討論次數最高的375集為內容，繪製詞雲圖(剔除了高頻詞"貝姐"，防止遺漏其他信息)如下

從圖中可知，天使、琴酒、乾媽、心疼、狙擊手等詞彙出現頻率較高。從詞頻較低的敗北主線中可以看出，這次酒廠行動應該是失敗告終。

人物形象網絡分析

1、合併 txt 文件

為儘可能反映出彈幕觀眾對人物形象的描述，考慮到一集彈幕共3000條，為減少運行成本，這裡僅選取特定人物討論次數最多的20集合併後再進行分析。

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{}集寫入完畢'.format(count))file.close

2、人物形象可視化

藉助共現矩陣的思想，即同一句話中出現兩個指定的詞則計數1。指定起始點 Source 為灰原哀，代碼如下所示：(註：其中，stopwods.txt 為停止詞文件，role.txt 為人物暱稱文件)

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)

將生成的文件導入 Gephi ，得到如下人物形象圖