python大作业——B站弹幕数据爬取与分析

前段时间要写一个Python大作业，选题为B站弹幕数据分析，由于是Python新手，所以参考了以下的文档，再次感谢分享技术的人
同时也因为本次是只是本人记录一次初学Python期间的一次较有意思的大作业，语法简陋勿喷。

参考文档：https://blog.csdn.net/weixin_34161029/article/details/91713988

B站弹幕数据分析

• 第一部分——使用爬虫抓取弹幕数据

  1. B站弹幕数据分析，首先我们需要抓取到B站视频的弹幕数据，才能进行数据分析

  2. 选取分析的对象是B站UP主 观视频工作室 的**《睡前消息》** 系列视频中的最新15期，即 110-124期视频(2020-05-03 ~ 2020-06-05) 的弹幕作为本次分析的弹幕，爬取的日期从第110期发布的日期开始到爬取的时候**(2020-05-03 ~ 2020-06-09)**

  3. 首先需要从 观视频工作室 的个人主页处找到 睡前消息 频道，爬这里就可以获取到所需要的视频链接，页面是动态页面，所以这里选择用 selenium库 爬取链接，存进Link.txt文件备用

     注意这里我用的是比较偷懒的爬取方法，只能爬到最新15期，要爬其他的可以自己改进一下算法

  4. 在视频页的console处可以输入window.cid来获取cid，但在selenium模拟中往浏览器console处输入的方法，搜索苦久无果，所以想出了如此下策：在视频页打开F12，在elements处搜索cid，发现是有的，这条语句是与网关有关的，通过bs4匹配到该语句，用正则匹配出来即可

     正则前缀/ 后缀-1-

  5. 要爬取B站的弹幕，有两种方法 ( 据我所知 )

     5.1 第一种方法 是https://comment.bilibili.com/{cid}.xml，这种方法可以获得最新的maxlimit数量(一般这个数量是3000)的弹幕，但是没办法获得历史弹幕

     5.2 第二种方法 是https://api.bilibili.com/x/v2/dm/history?type=1&oid={cid}&date={yyyy-mm-dd}，这种方法可以获取从某一天开始的maxlimit数量的弹幕，把想要获得的日期遍历一遍，虽然可能会漏掉一些弹幕(比如某一天弹幕数超过了maxlimit，就获取不到超出的部分)，但也算是获取了大部分弹幕，比上一种方法好，采取这种方法

     而第二个方法由于是api，所以需要用到cookie，可以用以下的方法来获取cookie

  

  6. 接下来就是分析这个xml文件中的弹幕数据，例子为如下：

     <d p="369.34300,1,25,16777215,1590515762,0,a6fb6c47,33226011652915207">脱发</d>

     这个 p字段 中的参数含义为如下：(百度搜索得到的答案)

     第一个参数 369.34300 记作DM_time，是弹幕在视频中出现的时间，以秒数为单位。

     第二个参数 1 记作DM_mode，是弹幕的模式1…3 滚动弹幕 4底端弹幕 5顶端弹幕 6.逆向弹幕 7精准定位 8高级弹幕

     第三个参数 25 记作DM_font，是字号， 12非常小,16特小,18小,25中,36大,45很大,64特别大

     第四个参数 16777215 记作DM_color，是字体的颜色以HTML颜色的十进制为准

     第五个参数 1590515762 记作DM_realTime，是发送弹幕的时间戳

     第六个参数 0 记作DM_pool，是弹幕池 0普通池 1字幕池 2特殊池（高级弹幕）

     第七个参数 a6fb6c47 记作DM_userID，是发送者的ID，用于“屏蔽此弹幕的发送者”功能

     第八个参数 33226011652915207 记作DM_id，是弹幕在弹幕数据库中rowID，也就是这条弹幕是历史总弹幕的第几条

     p字段以外的 弹幕本体 记作DM_text

  7. 把爬取到的弹幕分别放到多个csv文件中，每一期一个csv文件，方便后面的数据分析

  8. 至此爬取数据部分完成

• 第二部分——使用Pandas库进行数据分析

  1. 在爬取并保存了所有弹幕数据之后，先进行去重，可对比还未去重时文件的大小和去重后文件的大小

     1.1 未去重：(至于110-112和113-124日期不一样，是因为抓113-124的时候被封了IP，只能等到第二天早上抓110-112)
     

     1.2 去重后：
     

  2. 然后进行如下的可视化分析：

     2.1 每一期弹幕总数的变化 折线图
     

     结合上图，我们发现每期的弹幕总数统计波动有些大，其中一些弹幕数，比如116期，甚至在这里统计只有不到5000条，但是在B站上可以看到：
     

     这一期其实总弹幕是有1.4W的，统计到的弹幕数仅占1/3左右，出现这种情况是由于 在视频发出的某一天里，大多数用户发过了弹幕，而这部分弹幕超出了B站统计的maxlimit ，导致我们没办法统计到这部分弹幕。

     相对而言，弹幕数多的视频就是弹幕不仅仅在某一天大量被发出，比如115期，这里我们统计到了有**9000+**的弹幕数，而B站上的数据：
     

     统计到的弹幕大约占70%，这是由于并没有很多用户在某一个日期大量发出弹幕，导致弹幕库溢出，也从某方面说明了该视频的受众时间较广，是一个较为优质的视频。

     另外，加上我去把每期的标题和弹幕数一对应，发现，涉及到 国与国之间的时评 的时候，在播放量相差不多的情况下，视频的受众时间会比较广，相对的，谈论的时事范围或格局越小，受众时间会相对应减小。当然这些都是通过一小部分数据得出的结论，不能代表完全的趋势就是这样。

     2.2 统计发弹幕总数TOP10 的用户 横向柱状图
     

     一共15期的节目，根据不完全统计，这位ID为 13631380 的用户一共发了160+条弹幕，平均每一期要发11条弹幕，是真爱粉无误了。

     2.3 统计每期弹幕密度变化图 (图太多，只放了总体的缩略图)
     

     首先从个体上观察这些弹幕密度图，发现弹幕都是较为均匀的，但从总体上观察这些弹幕密度图的时候，发现其中112-118期的弹幕密度图极其相似，119-124期的弹幕密度图也是极其相似，总的来说，112-124期都会有一个密度大且会持续一小段时间的“弹幕风云”，更巧的是，这部分都集中在视频时间700秒左右，也就是11分-13分之间会有一波弹幕的小高潮。

     为此我特意去再次观看**《睡前消息》，发现在112-118期中，节目大概都在15~20分钟左右，而在11-13分钟的时候，也就是在视频时间过去大概70%**左右的时候，主持人都会作出一些毒辣的点评，从而引起弹幕的激烈讨论。

     2.4 绘制出每期视频的弹幕词云 (取其中几个词云图展示)

     由于我设置了最小字体为10，所以如果是弹幕种类分布得比较广泛的视频，留白处会比较多，这里我选取了较为饱满的弹幕词云图作为展示

     【睡前消息111】深圳房价这样涨下去，会变成第二个香港么？

     

     【睡前消息112】阅文风波的背后，腾讯真的大到只手遮天了吗？

     

     【睡前消息118】《后浪》过后，如何看待B站又要《入海》？

     

     可见弹幕里面的 同意 支持 保护 之类的字眼比较多，**仅观表象的话 **可以说明，虽然该节目主持人虽嘴巴毒辣，在视频弹幕里会造成不少的人激烈讨论，但还是有大部分人同意这些观点的。

  项目代码

  • 项目目录结构

    

  • GetUrl.py

    from bs4 import BeautifulSoup
    from selenium import webdriver
    
    url = 'https://space.bilibili.com/54992199/channel/detail?cid=82529'
    
    print("开始爬取《睡前消息》第110-124期视频地址")
    
    # chrome驱动，需要放在Python安装的目录下
    driver = webdriver.Chrome(r"E:\Python\chromedriver.exe")
    
    driver.get(url)
    data = driver.page_source
    soup = BeautifulSoup(data, 'lxml')
    
    count=1
    res = []
    all = soup.find_all('li', attrs={'class': 'small-item fakeDanmu-item'})
    for li in all:
        if count<=15:
            a=li.find('a',attrs={'class':'cover cover-normal'})
            res.append('https:'+a.get("href"))
            count+=1
        else:
            break
    
    with open('Urls/Link.txt', 'w') as f:
        for link in res:
            f.write(link+'\n')
    
    print("已将全部链接放入到Link.txt文件中")
    

  • GetCid.py

    from bs4 import BeautifulSoup
    from selenium import webdriver
    import re
    import time
    
    cids=[]
    Urls=[]
    with open('Urls/Link.txt', 'r') as f:
        for line in f.readlines():
            Urls.append(line.strip())
    
    print("开始爬取《睡前消息》第110-124期视频的Cid")
    
    # chrome驱动，需要放在Python安装的目录下
    driver = webdriver.Chrome(r"E:\Python\chromedriver.exe")
    
    for url in Urls:
        driver.get(url)
        data = driver.page_source
        soup = BeautifulSoup(data, 'lxml')
    
        all = soup.find_all('script')
        for a in all:
            if str(a).startswith("<script>window."):
               res=a
    
        links=re.split(r'\:',str(res))
        for url in links:
            # 这个链接前面是域名，中国的都是以cn开头
            if url.startswith("//cn"):
                link=url
                break
    
        cid=re.findall(".*/(.*)-1-.*", link)
    
        # 获取到视频的cid，存进数组然后一起存进Cid.txt文件中
        cid=cid[0]
    
        # 处理特殊情况下，长度不符合cid，去除尾部部分
        if len(cid)>9:
            length=len(cid)
            a=length-9
            cid=cid[:-a]
    
        cids.append(cid)
    
        # 每抓完一个网页休眠5秒
        time.sleep(5)
    
    with open('Urls/Cid.txt', 'w') as f:
        for id in cids:
            f.write(id + '\n')
    
    print("已将全部视频的Cid放入到Cid.txt文件中")
    

  • GetBulletChat.py

    from bs4 import BeautifulSoup
    import time
    import pandas as pd
    import requests
    import datetime
    
    headers={
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36 QIHU 360EE",
        "Connection": "keep-alive",
        # 这个cookie的获取方法在文档中已说明
        "Cookie":""
    }
    
    sets=124  # 最新一期的数字
    
    dates=[]  # 日期数组，用于填充url
    # 遍历日期  包括begin和end的日期  生成类似2020-05-03的格式的日期
    begin = datetime.date(2020,5,3)
    end = datetime.date(2020,6,9)
    d = begin
    delta = datetime.timedelta(days=1)
    while d <= end:
        dates.append(str(d.strftime("%Y-%m-%d")))
        d += delta
    
    
    Cids=[]  # Cid数组，用于填充url
    with open('Urls/Cid.txt', 'r') as f:
        for line in f.readlines():
            Cids.append(line.strip())
    
    for cid in Cids:
        # 每次都要重置这些数据
        dm_data = []  # 弹幕数据
        dm_text = []  # 弹幕本体
        # 弹幕的八个参数和弹幕本体
        DM_time = []
        DM_mode = []
        DM_font = []
        DM_color = []
        DM_realTime = []
        DM_pool = []
        DM_userID = []
        DM_id = []
        DM_text = []
        print("正在爬取第" + str(sets) + "期的《睡前消息》弹幕...")
        for date in dates:
            url="https://api.bilibili.com/x/v2/dm/history?type=1&oid="+cid+"&date="+date
    
            html=requests.get(url=url,headers=headers) #返回文本信息
            html.encoding='utf8'
            soup=BeautifulSoup(html.text,'lxml') #建立soup对象
    
            all=soup.find_all("d")
            for d in all:
                # 弹幕数据
                dm_data.append(str(d.get("p")).split(","))
                # 弹幕本体
                dm_text.append(d.get_text())
    
        # 分别把数据存进这几个数组
        for i in dm_data:
            DM_time.append(i[0])
            DM_mode.append(i[1])
            DM_font.append(i[2])
            DM_color.append(i[3])
            DM_realTime.append(i[4])
            DM_pool.append(i[5])
            DM_userID.append(i[6])
            DM_id.append(i[7])
        for i in dm_text:
            DM_text.append(i)
    
        dt={"DM_time":DM_time,"DM_mode":DM_mode,"DM_font":DM_font,"DM_color":DM_color,
            "DM_realTime":DM_realTime,"DM_pool":DM_pool,"DM_userID":DM_userID,"DM_id":DM_id,"DM_text":DM_text}
    
        d=pd.DataFrame(dt)
    
        d.to_csv('./Danmu/Danmu-'+str(sets)+'.csv',encoding='utf-8-sig') #存储弹幕信息
        print("已将弹幕放入到Danmu-"+str(sets)+".csv文件中")
        sets-=1
    
        # 每抓完一个网页休眠7秒
        print("缓冲中...")
        time.sleep(7)
    
    print("已将《睡前消息》第110-124期的弹幕爬取完毕")
    

  • DataAnalysis.py

    import matplotlib.pyplot as plt
    import matplotlib
    import pandas as pd
    import os
    from wordcloud import WordCloud
    import jieba
    
    file_dir="./Danmu/"
    # 获取文件名
    files=[files for root,dirs,files in os.walk(file_dir)]
    
    # 去重
    def duplicate(files):
        for file in files:
            df = pd.read_csv(file_dir + file,encoding="utf-8-sig",index_col=0)
            data = df.drop_duplicates(subset=['DM_id'], keep='first')
            data.to_csv(file_dir + file,encoding='utf-8-sig',index=True,index_label="")
        print("去重完毕")
    
    # 每一期弹幕总数的变化折线图
    def danmuSumPlot(files):
        print("弹幕总数变化图绘制中...")
        list1 = ['110','111','112','113','114','115','116','117','118','119','120','121','122','123','124']
        data_sum=[]
        for file in files:
            data = pd.read_csv(file_dir + file,encoding="utf-8-sig",index_col=0)
            data_sum.append(len(data))
    
        matplotlib.rcParams["font.family"] = "SimHei"
        plt.plot(list1, data_sum, "c")
        plt.ylabel("弹幕数")
        plt.xlabel("《睡前消息》期数")
        plt.title("每一期弹幕总数的变化图")
        plt.savefig('./Analysis/弹幕总数变化图', dpi=600)
        plt.show()
        print("绘制完毕")
    
    # 发弹幕总数TOP10的用户柱状图
    def danmuUserTopBarh(files):
        print("弹幕TOP10用户图绘制中...")
        datas=[]
        for file in files:
            datas.append(pd.read_csv(file_dir + file,encoding="utf-8-sig",index_col=0))
    
        # 先合并全部csv文件，再进行统计
        data=pd.concat(datas)
        data = data.groupby('DM_userID').size().reset_index(name="count")
        data = data.sort_values("count", ascending=False)
    
        label = []  # y轴的值
        width = []  # 给出具体每个直方图的数值
        i = 0
    
        for item in data.values:
            if i < 10:
                label.append(item[0])
                width.append(item[1])
                i += 1
            else:
                break
    
        matplotlib.rcParams["font.family"] = "SimHei"
        y = [10, 9, 8, 7, 6, 5, 4, 3, 2, 1]  # 给出在y轴上的位置
        plt.barh(y=y, width=width, tick_label=label)  # 绘制水平直方图
        plt.ylabel("用户ID")
        plt.xlabel("弹幕数")
        plt.title("发弹幕总数TOP10的用户柱状图")
        plt.subplots_adjust(left=0.17)  # 控制图片左边的间隔  避免显示不全
        plt.savefig('./Analysis/TOP10', dpi=600, left=0.17)
        print("绘制完毕")
    
    # 每期弹幕密度变化图
    def danmuDensityChange(files):
        print("弹幕密度变化图绘制中...")
        sets=110
        for file in files:
            data = pd.read_csv(file_dir + file, encoding="utf-8-sig", index_col=0)
            data = data.sort_values("DM_time")
    
            # 先对弹幕发送时间进行取整
            data['DM_time'] = [int(item) for item in data.DM_time]
            data = data.groupby('DM_time').size().reset_index(name="counted")
    
            list2 = [item for item in data.DM_time]
            data_sum = [item for item in data.counted]
            matplotlib.rcParams["font.family"] = "SimHei"
            plt.plot(list2, data_sum, "c")
            plt.ylabel("弹幕数量")
            plt.xlabel("视频时间轴/(秒)")
            plt.title(str(sets)+"期弹幕密度变化图")
            plt.savefig("./Analysis/弹幕密度变化/"+str(sets)+'期弹幕密度变化图', dpi=600)
            sets+=1
        print("绘制完毕")
    
    # 每期的弹幕词云
    def danmuWordCloud(files):
        print("弹幕词云绘制中...")
        sets = 110
        for file in files:
            data = pd.read_csv(file_dir + file, encoding="utf-8-sig", index_col=0)
            # 先把全部弹幕信息写成一个字符串，再调用方法
            words = ''
            for item in data.DM_text:
                words += item
    
            words=" ".join(jieba.cut(words))
            # 这个scale参数是画布大小参数，也就是调整分辨率的，10代表是原来的10倍大小，越高分辨率越高
            wd = WordCloud(font_path='simhei.ttf', max_words=40, background_color='white',min_font_size=10,scale=10).generate(words)
            plt.imshow(wd)
            plt.axis("off")
            wd.to_file("./Analysis/词云/第" + str(sets) + "期词云.jpg")
            sets+=1
        print("绘制完毕")
    
    
    if __name__ == '__main__':
        # 去重
        duplicate(files[0])
    
        # 每一期弹幕总数的变化折线图
        danmuSumPlot(files[0])
    
        # 发弹幕总数TOP10的用户柱状图
        danmuUserTopBarh(files[0])
    
        # 每期弹幕密度变化图
        danmuDensityChange(files[0])
    
        # 每期的弹幕词云
        danmuWordCloud(files[0])
    

本文地址：https://blog.csdn.net/lkx_icy/article/details/107178025