MOJITO 釋出一週，爬一波彈幕分析下

極客挖掘機發表於2020-06-20

MOJITO

最近一直啥都沒寫，追個熱點都趕不上熱乎的，鄙視自己一下。

周董的新歌 「MOJITO」 發售（6 月 12 日的零點）至今大致過去了一週，翻開 B 站 MV 一看，播放量妥妥破千萬，彈幕破十萬，這人氣還真是槓槓的。

說實話， 「MOJITO」 這個名字對我來講有點超綱了，第一次見到完全不知道啥意思。

不過問題不大，沒有什麼是百度解決不了的，如果有，那就再加一個知乎。

MOJITO 的中文名是莫吉托，百度百科上是這麼介紹莫吉托的：

莫吉托（Mojito）是最有名的朗姆調酒之一。起源於古巴。傳統上，莫吉托是一種由五種材料製成的雞尾酒：淡朗姆酒、糖（傳統上是用甘蔗汁）、萊姆（青檸）汁、蘇打水和薄荷。最原始的古巴配方是使用留蘭香或古巴島上常見的檸檬薄荷。萊姆（青檸）與薄荷的清爽口味是為了與朗姆酒的烈性相互補，同時也使得這種透明無色的調酒成為夏日的熱門飲料之一。這種調酒有著相對低的酒精含量(大約10%)。

酒精度數在 10% 左右的話，姑且可以認為一種飲料吧。

當然，如果要開車的話就不能把 MOJITO 當成飲料了，酒精含量再低那也是酒精。

整個 MV 我翻來覆去的看了好幾遍， 「MOJITO」 這個東西除了在歌詞和名字中有出現，在 MV 當中一次都沒出現，毫無存在感。

爬取 B 站彈幕

彈幕資料的爬取比較簡單，我就不一步一步的抓請求給各位演示了，注意下面這幾個請求連線：

彈幕請求地址：

https://api.bilibili.com/x/v1/dm/list.so?oid=XXX

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

第一個地址由於 B 站的網頁做了更換，現在在 Chrome 工具的 network 裡面已經找不到了，不過還可以用，這個是我之前找到的。

第二個地址來源於百度，我也不知道各路大神是從哪找出來這個地址的，供參考吧。

上面這兩個彈幕地址實際上都需要一個叫 oid 的東西，這個 oid 獲取方式如下：

首先可以找到一個目錄頁介面：

https://api.bilibili.com/x/player/pagelist?bvid=XXX&jsonp=jsonp

這個介面也是來源於 Chrome 的 network ，其中 bvid 這個引數來源於視訊地址，比如周董的這個 「MOJITO」 的 MV ，地址是 https://www.bilibili.com/video/BV1PK4y1b7dt ，那麼這個 bvid 的值就是最後那一部分 BV1PK4y1b7dt 。

接下來在 https://api.bilibili.com/x/player/pagelist?bvid=BV1PK4y1b7dt&jsonp=jsonp 這個介面中，我們可以看到返回的 json 引數，如下：

{
    "code":0,
    "message":"0",
    "ttl":1,
    "data":[
        {
            "cid":201056987,
            "page":1,
            "from":"vupload",
            "part":"JAY-MOJITO_完整MV(更新版)",
            "duration":189,
            "vid":"",
            "weblink":"",
            "dimension":{
                "width":1920,
                "height":1080,
                "rotate":0
            }
        }
    ]
}

注意：由於這個 MV 只有一個完整的視訊，所以這裡只有一個 cid ，如果一個視訊是分不同小節釋出的，這裡就會有多個 cid ，不同的 cid 代表不同的視訊。

當然，這裡的 cid 就是我們剛才想找的那個 oid ，把這個 cid 拼到剛才的連結上，可以得到 https://api.bilibili.com/x/v1/dm/list.so?oid=201056987 這樣一個地址，然後輸入到瀏覽器中，可以看到彈幕的返回資料，是一個 xml 格式的文字。

原始碼如下：

import requests
import re

# 獲取 cid
res = requests.get("https://api.bilibili.com/x/player/pagelist?bvid=BV1PK4y1b7dt&jsonp=jsonp")
cid = res.json()['data'][0]['cid']

# 將彈幕 xml 通過正則取出，生成 list
danmu_url = f"https://api.bilibili.com/x/v1/dm/list.so?oid={cid}"
result = requests.get(danmu_url).content.decode('utf-8')
pattern = re.compile('<d.*?>(.*?)</d>')
danmu_list = pattern.findall(result)

# 將彈幕 list 儲存至 txt 檔案
with open("dan_mu.txt", mode="w", encoding="utf-8") as f:
    for item in danmu_list:
        f.write(item)
        f.write("\n")

這裡我將獲取到的彈幕儲存在了 dan_mu.txt 檔案中，方便後續分析。

繪製詞雲圖

第一步先將剛才儲存在 dan_mu.txt 檔案中的彈幕讀取出來，放到了一個 list 當中：

# 讀取彈幕 txt 檔案
with open("dan_mu.txt", encoding="utf-8") as f:
    txt = f.read()
danmu_list = txt.split("\n")

然後使用分詞工具對彈幕進行分詞，我這裡使用的分詞工具是最好的 Python 中文分片語件 jieba ，沒有安裝過 jieba 的同學可以使用以下命令進行安裝：

pip install jieba

使用 jieba 對剛才獲得的彈幕 list 進行分詞：

# jieba 分詞
danmu_cut = [jieba.lcut(item) for item in danmu_list]

這樣，我們獲得了分詞後的 danmu_cut ，這個同樣是一個 list 。

接著我們對分詞後的 danmu_cut 進行下一項操作，去除停用詞：

# 獲取停用詞
with open("baidu_stopwords.txt",encoding="utf-8") as f:
    stop = f.read()
stop_words = stop.split()

# 去掉停用詞後的最終詞
s_data_cut = pd.Series(danmu_cut)
all_words_after = s_data_cut.apply(lambda x:[i for i in x if i not in stop])

這裡我引入了一個 baidu_stopwords.txt 檔案，這個檔案是百度停用詞庫，這裡我找到了幾個常用的中文停用詞庫，來源： https://github.com/goto456/stopwords 。

詞表檔案 詞表名
baidu_stopwords.txt 百度停用詞表
hit_stopwords.txt 哈工大停用詞表
scu_stopwords.txt 四川大學機器智慧實驗室停用詞庫
cn_stopwords.txt 中文停用詞表

這裡我使用的是百度停用詞表，大家可以根據自己的需要使用，也可以對這幾個停用詞表先做整合後再使用，主要的目的就是去除一些無需關注的詞，上面這幾個停用詞庫我都會提交到程式碼倉庫，有需要的自取。

接著我們統計去除停用詞後的詞頻：

# 詞頻統計
all_words = []
for i in all_words_after:
    all_words.extend(i)
word_count = pd.Series(all_words).value_counts()

最後一步就是生成我們的最終結果，詞雲圖：

wordcloud.WordCloud(
    font_path='msyh.ttc',
    background_color="#fff",
    max_words=1000,
    max_font_size=200,
    random_state=42,
    width=900,
    height=1600
).fit_words(word_count).to_file("wordcloud.png")

最終結果就是下面這個：

從上面這個詞雲圖中可以看到，粉絲對「MOJITO」這首歌是真愛啊，出現頻率最高的就是 啊啊啊 和 愛 還有 粉 。

當然哈，這個 粉 也有可能是說 MV 當中那臺騷氣十足的粉色的老爺車。

還有一個出現頻率比較高的是 爺青回 ，我估計這個意思應該是 爺的青春回來啦 ，確實，周董伴隨著我這個年齡段的人一路走來，做為一位 79 年的人現在已經是 41 歲的「高齡」了，回首往昔，讓人唏噓不已。

當年一首 「雙節棍」 火遍了中華大地，大街上的音像店整天都在迴圈這幾首歌，在學校上學的我這一代人，基本上是人人都能哼兩句，「快使用雙截棍，哼哼哈嘿」成了我們這一代人共有的回憶。

智慧情感傾向分析

我們還可以對彈幕進行一次情感傾向分析，這裡我使用的是 「百度 AI 開放平臺」 的情感傾向分析介面。

百度 AI 開放平臺文件地址：https://ai.baidu.com/ai-doc/NLP/zk6z52hds

首先是根據文件接入 「百度 AI 開放平臺」 ，獲取 access_token ，程式碼如下：

# 獲取 Baidu API access_token
access_token_url = f'https://aip.baidubce.com/oauth/2.0/token?grant_type={grant_type}&client_id={client_id}&client_secret={client_secret}&'

res = requests.post(access_token_url)

access_token = res.json()['access_token']

# 通用情感介面
# sentiment_url = f'https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token={access_token}'
# 定製化情感介面
sentiment_url = f'https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify_custom?charset=UTF-8&access_token={access_token}'

百度 AI 開放平臺有兩個情感分析介面，一個是通用的，還有一個是定製化的，我這裡使用的是經過訓練的定製化的介面，如果沒有定製化的介面，使用通用的介面也沒有問題。

上面使用到的 grant_type ， client_id ， client_secret 這幾個引數，大家註冊一下就能得到， 「百度 AI 開放平臺」 上的這些介面都有呼叫數量的限制，不過我們自己使用已經足夠了。

然後讀取我們剛才儲存的彈幕文字：

with open("dan_mu.txt", encoding="utf-8") as f:
    txt = f.read()
danmu_cat = txt.split("\n")

在呼叫介面獲得情感傾向之前，我們還需要做一件事情，對彈幕進行一次處理，因為彈幕中會有一些 emoji 表情，而 emoji 直接請求百度的介面會返回錯誤，這裡我使用另一個工具包對 emoji 表情進行處理。

首先安裝工具包 emoji ：

pip install emoji

使用是非常簡單的，我們對彈幕資料使用 emoji 進行一次處理：

import emoji

with open("dan_mu.txt", encoding="utf-8") as f:
    txt = f.read()
danmu_list = txt.split("\n")

for item in danmu_list:
    print(emoji.demojize(item))

我們的彈幕資料中是有這樣的 emoji 表情的：

❤❤❤❤❤❤❤

# 處理後：
:red_heart::red_heart::red_heart::red_heart::red_heart::red_heart::red_heart:

然後，我們就可以呼叫百度的情感傾向分析介面，對我們的彈幕資料進行分析了：

# 情感計數器
optimistic = 0
neutral = 0
pessimistic = 0

for danmu in danmu_list:
    # 因呼叫 QPS 限制，每次呼叫間隔 0.5s
    time.sleep(0.5)
    req_data = {
        'text': emoji.demojize(danmu)
    }
    # 呼叫情感傾向分析介面
    if len(danmu) > 0:
        r = requests.post(sentiment_url, json = req_data)
        print(r.json())
        for item in r.json()['items']:
            if item['sentiment'] == 2:
                # 正向情感
                optimistic += 1
            if item['sentiment'] == 1:
                # 中性情感
                neutral += 1
            if item['sentiment'] == 0:
                # 負向情感
                pessimistic += 1

print('正向情感:', optimistic)
print('中性情感:', neutral)
print('負向情感:', pessimistic)

attr = ['正向情感','中性情感','負向情感']
value = [optimistic, neutral, pessimistic]

c = (
    Pie()
    .add("", [list(attr) for attr in zip(attr, value)])
    .set_global_opts(title_opts=opts.TitleOpts(title="「MOJITO」彈幕情感分析"))
    .render("pie_base.html")
)

最後的結果圖長這樣：

從最後的結果上來看，正向情感佔比大約在 2/3 左右，而負向情感只有不到 1/4 ，看來大多數人看到周董的新歌還是滿懷激動的心情。

不過這個資料不一定準確，最多可以做一個參考。

原始碼

需要原始碼的同學可以在公眾號後臺回覆「MOJITO」獲取。

相關文章