《向往的生活》是湖南卫视一档十分温馨的生活类真人秀综艺节目,目前第三季正在更新中,常驻嘉宾加入了张子枫,深受广大观众的喜欢。而该节目的豆瓣评分也达到了7.9。这档综艺以明星艺人到村寨里体验生活为主线,融入了美食,劳动,幽默的元素,让人边看边有身临其境的感觉,仿佛自身也真正进入了“向往的生活”。
![向往的生活豆瓣评分 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/ab0893ed75d1d21cef6a8fa256cbb601.jpeg)
近些天在看节目的时候,看到弹幕上大家讨论的特别热闹,突发奇想能不能把所有的弹幕爬下来做一下分析呢。一方面探究一下弹幕数据抓取有没有特别之处,另一方面通过弹幕对这个节目的口碑一探究竟。接下来以上周五刚更新的第5期为例,进行弹幕数据抓取。代码主要使用requests库,抓取结果存储在csv文件中。
网页分析
在芒果TV网页版打开第5期节目,等待广告加载完毕,同时打开chrome开发者工具的network选项卡。由于请求很多,而且随着时间推移,会越来越多。所以我采取了先清空再等待的方式。发现前面大多加载的都是图片,自然这不是我们的目标。过了一会儿之后,发现一条可疑的请求,见下图所示,点击一看,真的出现了弹幕内容。interval是60,猜测可能是表示一个间隔,每60s会有一个新的请求。于是使用filter过滤了以“rdb”开头的请求,发现这些都是弹幕,而且next都是60000的倍数,猜测表示的是60000毫秒,也就是60秒。
![过滤弹幕请求 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/db2686440c861329813a9517cc12afbf.jpeg)
接下来我们需要确认弹幕的翻页逻辑,也就是这些弹幕链接的统一规律。这里推荐一个很好用的网页请求分析工具postman。它不仅可以用来分析网页的请求参数,还能够提供不同语言的请求代码,稍加修改就可以使用。把刚刚我们找到的链接贴到postman中。如图所示,可以看到请求的参数,点击send按钮之后能看到请求的结果。由于参数很多,可以考虑去掉一些无用的参数。最终发现,只需要保留vid,cid,time三个参数即可。猜测vid表示节目id,cid表示视频id,time应该是请求时刻,是一个相对值。并且请求结果中,而每一条弹幕的时间,都要比time数值大。结合上文的分析逻辑,可以得出每一个请求结果都是请求时间60s内的弹幕。如果我们要获取所有的弹幕,就可以通过改变time的值来实现。最小的time取值应该是0,最大的应该就是和视频时长最接近的60000倍数的毫秒数。这里的节目时长为89:49。经过验证,果然如此,接下来我们就可以用代码来实现了。
![使用postman测试time请求参数 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/7a5456fb3b873445985219b9a02dbef6.jpeg)
代码实现
使用requests构造网络请求,并用一个循环控制翻页,爬取全部的弹幕。解析返回的json数据并使用pandas存储到Excel中。详细代码如下所示,一共45行。
注:左右滑动查看全部代码
1import requests
2import pandas as pd
3import time
4import datetime
5from fake_useragent import UserAgent
6
7ua = UserAgent()
8url = "https://galaxy.bz.mgtv.com/rdbarrage"
9
10rdb_content = {'id': [], 'type': [], 'uid': [], 'content': [], 'add_time': [], 'ups': []}
11count = 0
12
13print("爬取开始时间: {}".format(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')))
14
15for i in range(0, 91):
16
17 querystring = {"version": "2.0.0", "vid": "5683459", "cid": "328724", "time": i*60000}
18
19 headers = {
20 'User-Agent': ua.random
21 }
22
23 try:
24 response = requests.request("GET", url, headers=headers, params=querystring).json()
25 items = response['data']['items']
26 if items is None:
27 print("爬取完毕!弹幕数量{}".format(count))
28 break
29 else:
30 for item in items:
31 rdb_content['id'].append(item.get('id')) #弹幕id
32 rdb_content['type'].append(item.get('type')) #弹幕类型
33 rdb_content['uid'].append(item.get('uid')) #用户id
34 rdb_content['content'].append(item.get('content')) #弹幕内容
35 rdb_content['add_time'].append(item.get('time')) #弹幕时间
36 rdb_content['ups'].append(item.get('up', 0)) #d弹幕点赞数
37 count = count + 1
38
39 print("爬取第{}分钟的弹幕...,当前弹幕数量{}".format(i + 1, count))
40 time.sleep(5)
41 except:
42 print("第{}分钟弹幕爬取失败!当前弹幕数量{}".format(i + 1, count))
43 continue
44 rdb_df = pd.DataFrame(rdb_content)
45 rdb_df.to_csv('rdb.csv', index=None)
运行效果截图:
![运行效果 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/0faaf770fa55021985418c29c4c195dd.jpeg)
可以看出,在本次爬取时,弹幕数量已经将近3w条,而此时节目更新还不到2天,在一定程度可以反映出该节目的火爆程度。接下来我们对弹幕数据做一些深入的分析,从数据的角度看这期节目。
数据可视化
以上爬取的数据,有一些字段存在缺失,但是占比极小,因此采取删除的方式处理,最终剩余28602条有效数据。
![数据预处理-删除重复值 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/8e43f8595ea08c57e843f316b587a2e8.jpeg)
01 不同时间段弹幕数量的分布
节目时长大约90分钟,我们分别以1分钟和10分钟为单位,看一下弹幕数量。每分钟弹幕都在200以上,最小的为207,最大的为360,平均值为318。30-40分钟弹幕最多,一般此时是节目的高潮时段,80-90分钟弹幕数量最少,此时节目已经接近尾声。可以看出,虽然随着时间推移,弹幕数量有所波动,但整体来讲,在各个时间,弹幕波动不剧烈,也反映出节目能够持续保持较高的热度,可谓“分分钟都是精彩”。
![每分钟弹幕数量柱形图 .png 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/736d0093e38602a8148ea5fbf2a11f8b.jpeg)
![每十分钟弹幕数量柱形图.png 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/1e754bf6c6ca33a0862fb8b85e07981d.jpeg)
02 不同长度的弹幕数量分布
![不同弹幕长度柱形图.png 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/3f0e4806e56e98ae178fe812b6a9d081.jpeg)
可以看出,弹幕长度最大为64,长度越长,弹幕数量越少,长度为6的弹幕数量最多,达到2470条。大多数弹幕的长度都集中于10个字上下,趋向于口语化。这也符合我们的认知,10字左右已经足以表达用户看剧的心情和观点。当然也有不嫌麻烦的用户,弹幕数量达到了30字以上,也有极少量的弹幕长度达到了50以上。出于好奇,我们可以看一下长度超过50的弹幕都说了啥,见下图所示,多少能够感受到观众十分走心地在享受节目。
![长度超过50弹幕.png 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/1c83e6b8f9d3e001cfb406336ea1ffe9.jpeg)
03 弹幕点赞数分布
![点赞数量区间.png 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/7ba887a49791f78d144cdba6f18e6fea.jpeg)
可以看出有接近四分之一分弹幕没有获得点赞。近6成的弹幕点赞量在20以下,点赞量20以上的弹幕不到20%。我们同样可以看一下点赞大于300的弹幕都说了啥,但从弹幕就能感受到节目整体的欢乐气氛。
04 用户发布的弹幕数量,点赞数,弹幕总字数对比
我们的数据中共有17268名用户发布了28602条弹幕,人均发布弹幕1.66条。按照点赞数降序排列取前10,观察弹幕数量,点赞数,弹幕总字数。可以看出,点赞数高的用户,发布的弹幕数量也多,字数相应也很多。下图只展示了前10的情况,也可以调整下面的区间,看更多用户的弹幕表现。需要指出的是,只能取到用户ID,无法分析用户的偏好情况。
![各用户弹幕情况对比.png 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/d9094e577c4650f140c36e900f89cc97.jpeg)
05 弹幕使用emoji表情情况
![弹幕emoji表情使用情况.png 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/c260b03a68c08faea2a9579a5596227f.jpeg)
06 词云图
通过对弹幕进行分词处理,绘制出以下的词云图。
![弹幕词云图 640?wx_fmt=jpeg](https://i-blog.csdnimg.cn/blog_migrate/b17d9665f8f3d2fa714e533fa4c2b3fd.jpeg)
看着这个词云图,瞬间感觉有溢出屏幕的欢乐,好像耳朵也能音乐听见断断续续的“哈哈哈哈”声,群众的眼睛是雪亮的,能让人如此开心的节目,火起来自然也就不足为奇了。
至此,我们基本完成了《向往的生活》第5期节目弹幕的抓取与简单的可视化分析工作。更多有趣的点大家可以自己去分析和发现。本来我还调用了百度的情感分析API,想对弹幕的情感倾向进行分析,但效果好像不是太好,结果就没有贴出来。感兴趣的盆友可以看代码。在后台回复“向往的生活”获取取源代码以及本文更清晰的pdf版本。祝大家生活愉快!
![640?wx_fmt=jpeg](https://i-blog.csdnimg.cn/blog_migrate/3f66215618fee3ff317b8324e8f568fd.jpeg)
以清净心看世界;
用欢喜心过生活。
超哥的杂货铺,你值得拥有~