查看: 3130|回复: 0

用Python把B站视频弹幕爬下来，绘制词云图看看大家最关心什么！

字体大小: 正常放大

杨利霞

5273 主题	82 听众	17万积分

TA的每日心情

	开心 2021-8-11 17:59

签到天数: 17 天

[LV.4]偶尔看看III

网络挑战赛参赛者

自我介绍: 本人女，毕业于内蒙古科技大学，担任文职专业，毕业专业英语。

群组: 2018美赛大象算法课程

群组: 2018美赛护航培训课程

群组: 2019年数学中国站长建

群组: 2019年数据分析师课程

群组: 2018年大象老师国赛优

电梯直达

1^#

发表于 2021-7-30 16:25 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

用Python把B站视频弹幕爬下来，绘制词云图看看大家最关心什么！
今天带大家做点好玩的，把B站热门视频弹幕爬下来制作词云图！
康康大家都怎么说！

开始之前先给大家啰嗦几句，可能有些兄弟不会安装模块，我大概讲一下。

如何安装模块:

win(键盘左下角ctrl 和 Alt 中间那个键) + R 输入 cmd 输入安装命令： pip install 模块名回车
pycharm里面安装 terminal 输入安装命令： pip install 模块名回车
如果模块安装失败了，可能是这些问题：

提示：pip 不是内部命令
你python环境变量可能没有设置好
有安装进度条显示，但是安装到一半出现报错了
因为python安装模块都是在国外的网址进行下载安装的，国内请求国外网速很慢，下载速度大概只有几KB
read time out 网络连接超时你可以切换为国内的镜像源
明明在cmd里面安装好了，但是在pycharm 提示我没有这个模块
你pycharm里面python解释器没有设置，你在pycharm设置里面重新设置一下
可能安装了多个python版本
安装一个版本即可
Python做爬虫到底可以做些什么呢？

常规: 爬取网上的数据 / 我可以批量下载图片/文字/音频视频…
12306抢票 / 京东商城电商网站抢购脚本 / 朋友圈刷票 / 一些问卷调查自动填写… / 文章刷阅读量 / 音频视频播放量
可以刷课可以刷网课自动还能自动批量注册账号
模拟点击 >>> 游戏辅助 >>> 修改游戏内存(单机) …
普通B站视频可以爬番剧是需要会员的

爬虫都是通过开发者工具进行抓包分析查询数据来源 ( 静态页面 / 动态页面 ajax异步加载)

1. 确定目标需求 (弹幕数据那个视频弹幕)
确定了
2. 找数据 (数据的来源分析)
简简单单找到了
3. 对于数据来源的url地址发送请求 (请求方式 / 请求头)
请求方式: get / post
请求头:
https://api.bilibili.com/x/v1/dm/list.so?oid=376200196
(通过开发者工具去看一下数据的具体来源,是否是来自有这个网站)
4. 获取数据
文本数据 response.text 获取网页源代码
json字典数据 response.json() 通常一般情况是动态网页  ajax异步加载用的比较多
二进制数据 response.content  保存图片音频视频或者特定格式文件
5. 解析数据
正则表达式 .*? 解决一切  遇事不决 .*? 通配符可以匹配任意字符
6. 保存数据
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
python除了做爬虫数据采集，还可以做什么?
兴趣学习还是通过python技术赚钱 (就业找工作 / 外包)

网站开发(就业/外包) >>> 我们课程是教授的全栈开发薪资 13K-15K
比如: python开发网站: Youtobe / 豆瓣 / 知乎(以前版本) / Facebook / 美团；
我可以做到这样么?
0基础初学者从零开始学习，上线通过域名服务器数据交互，4个左右的时间就可以独立开发这个项目类似知乎的网站；
如果你做去外包(团队): python开发就业大多数也是进入外包公司一个 10-20K左右；

爬虫开发(脚本)(就业/外包) 可见即可爬
虽然爬虫什么都可以爬，但是获取用户的个人隐私（信息电话身份贩卖）、国家信息、商业机密（未公开数据，或侵犯版权）、色情等违法信息用来盈利，就基本上人无了！
很多兄弟问我，可以帮我淘宝用户数据吗? 我都是告诉他们，这个我还想多活几年，这玩意涉及隐私，个人信息，你可以自己学了悄悄爬，爬完记得删了，用来实践问题不大，但是别用来盈利！！！
之前有个兄弟爬取微博上面军事武器航母图片买给国外, 然后就进去了！所以奉劝大家，切记切记，别乱来！

数据分析(就业/外包)

自动化(脚本)

游戏开发/辅助(脚本)

人工智能(研究生以上学历要求很高)

等等方向还有很多，我就不一一述说了，那些方向对于一般人来说作用不大。

我们开始正题吧

爬虫部分：
发送请求第三方模块需要pip install requests

import requests
import re  # 内置模块

url = 'https://api.bilibili.com/x/v1/dm/list.so?oid=376200196'
1
2
3
4
请求头的作用就是伪装

headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36'
}
1
2
3
模拟浏览器对服务器发送请求, 服务器接收到请求之后,确定你没问题然后会给你返回 response响应体数据
函数传参

response = requests.get(url=url, headers=headers)
1
<> 对象对象意味着你可以调用里面的方法或者属性
200 状态码请求成功
获取数据文本数据
自动识别编码

response.encoding = response.apparent_encoding
html_data = re.findall('<d p=".*?">(.*?)</d>', response.text)
1
2
content_str = ‘\n’.join(html_data)

要列表转成字符串 ‘’.join()
for 遍历
保存数据保存字符串
for content in html_data:
# mode 保存方式 w 写入会覆盖 a 追加写入
with open('弹幕1.txt', mode='a', encoding='utf-8') as f:
      f.write(content)
      f.write('\n')

# print(content_str)
1
2
3
4
5
6
7
爬取结果

然后我们再来实现制作词云图部分

首先要安装这两个模块

import jieba
import wordcloud
1
2
一个相对路径一个绝对路径，保存好的txt文本名字要注意看一下，不对的话，记得改一下保持一致。

f = open('弹幕.txt', mode='r', encoding='utf-8')
text = f.read()
txt_list = jieba.lcut(text)
# print(txt_list)
1
2
3
4
列表整合成一个字符串

string = ' '.join(txt_list)
print(string)
print('---'*50)
print(str(txt_list))
1
2
3
4
词云图设置

wc = wordcloud.WordCloud(
      width=1000,       # 图片的宽
      height=700,       # 图片的高
      background_color='white', # 图片背景颜色
      font_path='msyh.ttc', # 词云字体
      # mask=py,    # 所使用的词云图片
      scale=15,
      # stopwords={words},       # 停用词
      # contour_width=5,
      # contour_color='red'  # 轮廓颜色
)
1
2
3
4
5
6
7
8
9
10
11
给词云输入文字

wc.generate(string)
1
词云图保存图片地址

wc.to_file('output1.png')
1
词云图的过程中有点慢，大家不要心急

这是最后的结果

没有加停用词，所以一些无用的词比较多

stopwords={'了', '啊'}
1
把这个部分的代码加入要屏蔽的词就OK了！比如我现在把了跟啊这两个字屏蔽了。
我们再来看下

不知名网友：666666 牛批老哥我要学！！！

————————————————
版权声明：本文为CSDN博主「编程界的泥石流」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ooowwq/article/details/119211907

zan