用Python爬取b站弹幕，看大家还会接受《爱情公寓5》吗？

尽管抄袭傍身，也没能阻挡《爱情公寓5》进击的脚步。

最近爱情公寓电视剧微博发布了长达8分钟的揭幕视频，官宣新季将在2020正式开播。

几位主演纷纷转发宣传，将#爱情公寓5揭幕#的话题送上了热搜。

观众在经历过一次《爱情公墓》的诈骗后，能否接受《爱情公寓5》(下文简称爱5)？

让我们来分析一下。

获取数据

首先，我选取了在B站上最热的视频，目前已经179万播放量，2万弹幕。

为什么选择B站呢？

著名UP主“残狼之卑”，曾经在b站上传了几十个对比视频，做成《爱情公寓的抄袭史》，每期视频播放量都几十万，所以按理来说B站的用户反对爱情公寓的人应该很多。

如果B站的用户都可以接受，那么《爱5》可能真的会取得不错的播放量。

B站的弹幕数据是有接口的，比如说：

https://comment.bilibili.com/********.xml

它以一个固定的url地址+视频的cid+.xml组成。只要找到你想要的视频cid，替换这个url就可以爬取所有弹幕了。

以刚才的视频为例

它的cid就是123519261，构成url就是：

https://comment.bilibili.com/123519261.xml

下载并打开这个XML格式的弹幕文件。

观察上图，所有的弹幕都放在了<d>标签下

那么我们写段爬虫：

from bs4 import BeautifulSoup
import pandas as pd
import requests

url = 'http://comment.bilibili.com/123519261.xml'
html = requests.get(url)
html.encoding='utf8'

soup = BeautifulSoup(html.text, 'lxml')
results = soup.find_all('d')

comments = [comment.text for comment in results]
comments_dict = {'comments': comments}

df = pd.DataFrame(comments_dict)
df.to_csv('bili_ai5.csv', encoding='utf-8-sig')

最后成功获取1000条弹幕数据。

（b站给出的字幕限制是1000条）

数据分析

在弹幕中看到很多人提及“大二了”,“从小学5年级开始看”，我们来看一下学生阶段在弹幕中的提及数。

#学生阶段在弹幕中的提及数
a = {'小学':'小学|一年级|二年级|三年级|四年级|五年级|六年级', 
     '初中':'初中|初一|初二|初三', 
     '高一':'高一', 
     '高二':'高二',
     '高三':'高三', 
     '大一':'大一', 
     '大二':'大二', 
     '大三':'大三', 
     '大四':'大四',}
for key, value in a.items():
    data[key] = data['comments'].str.contains(value)
staff_count = pd.Series({key: data.loc[data[key], 'comments'].count() for key in a.keys()}).sort_values()
print(staff_count)

1000条弹幕就包含了这么多关于年龄的怀念。

数据可视化

我们将爬取得到的弹幕做个词云，更加直观地展示。

import jieba
from collections import Counter
from pyecharts import WordCloud

stop_words = [x.strip() for x in open ('stopwords.txt',encoding="utf-8") ]
text = ''.join(data['comments'])
words = list(jieba.cut(text))
ex_sw_words = []
for word in words:
    if len(word)>1 and (word not in stop_words):
        ex_sw_words.append(word)
c = Counter()
c = Counter(ex_sw_words)
wc_data = pd.DataFrame({'word':list(c.keys()), 'counts':list(c.values())}).sort_values(by='counts', ascending=False).head(100)
wordcloud = WordCloud(width=1300, height=620)
wordcloud.add("", wc_data['word'], wc_data['counts'], word_size_range=[15, 80])