《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”。
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。
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。
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：
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。
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”。
02 不同长度的弹幕数量分布
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。
03 弹幕点赞数分布
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。
05 弹幕使用emoji表情情况
06 词云图
通过对弹幕进行分词处理，绘制出以下的词云图。
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！
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~
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
