python b站弹幕分析_【python】B站弹幕数据分析及可视化（爬虫+数据挖掘)

成果展示

项目地址

爬取弹幕

可以看我之前写的这篇文章：10行代码下载B站弹幕

下载代码

# download.py

'''依赖模块

pip install requests

'''

import re

import requests

url = input('请输入B站视频链接: ')

res = requests.get(url)

cid = re.findall(r'"cid":(.*?),', res.text)[-1]

url = f'https://comment.bilibili.com/{cid}.xml'

res = requests.get(url)

with open(f'{cid}.xml', 'wb') as f:

f.write(res.content)

样例输入

样例输出

数据处理

下载弹幕文件51816463.xml后，我们打开看一下：

chat.bilibili.com

51816463

0

3000

0

0

k-v

长颈鹿呢？还是大象呢？(

我也不想的，实在是太大了呀

真是深不可测啊

此处省略很多字

可以看到xml文件中d标签的text部分就是弹幕的文本，而d标签的p属性应该是弹幕的相关参数，共有8个，用逗号分隔。

stime: 弹幕出现时间 (s)

mode: 弹幕类型 (< 7 时为普通弹幕)

size: 字号

color: 文字颜色

date: 发送时间戳

pool: 弹幕池ID

author: 发送者ID

dbid: 数据库记录ID(单调递增)

参数详解：

① stime(float)：弹幕出现时间，单位是秒；也就是在几秒出现弹幕。

② mode(int)：弹幕类型，有8种；小于8为普通弹幕，8是高级弹幕。

1~3：滚动弹幕

4：底端弹幕

6：顶端弹幕

7：逆向弹幕

8：高级弹幕

③ size(int)：字号。

12：非常小

16：特小

18：小

25：中

36：大

45：很大

64：特别大

④ color(int)：文字颜色；十进制表示的颜色。

⑤ data(int)：弹幕发送时间戳。也就是从基准时间1970-1-1 08:00:00开始到发送时间的秒数。

⑥ pool(int)：弹幕池ID。

0：普通池

1：字幕池

2：特殊池(高级弹幕专用)

⑦ author(str)：发送者ID，用于"屏蔽此发送者的弹幕"的功能。

⑧ dbid(str)：弹幕在数据库中的行ID，用于"历史弹幕"功能。

了解弹幕的参数后，我们就将弹幕信息保存为danmus.csv文件：

# processing.py

import re

with open('51816463.xml', encoding='utf-8') as f:

data = f.read()

comments = re.findall('(.*?)', data)

# print(len(comments)) # 300