【爬蟲+情感判定+Top10高頻詞+詞雲圖】"王心凌"熱門彈幕python輿情分析

馬哥python說發表於2022-06-06

爬蟲Python

一、背景介紹

最近一段時間，王心凌在浪姐3的表現格外突出，喚醒了一大批沉睡中的老粉，紛紛直呼'爺青回'！

針對此熱門事件，我用Python的爬蟲和情感分析技術，針對小破站的彈幕資料，分析了眾多網友彈幕的輿論導向，下面我們來看一下，是如何實現的分析過程。

二、程式碼講解-爬蟲部分

2.1 分析彈幕介面

首先分析B站彈幕介面。

經過分析，得到的彈幕地址有兩種：

第一種：http://comment.bilibili.com/{cid}.xml
第二種：https://api.bilibili.com/x/v1/dm/list.so?oid={cid}

這兩種返回的結果一致！但都不全，都是隻有部分彈幕！

以B站視訊 https://www.bilibili.com/video/BV1qY4y157dz 為例，檢視網頁原始碼，可以找到對應的cid為727777486，所以該視訊對應的彈幕介面地址是：https://comment.bilibili.com/727777486.xml
彈幕頁面

既然這樣，就好辦了，開始擼程式碼！

2.2 講解爬蟲程式碼

首先，匯入需要用到的庫：

import re  # 正規表示式提取文字
import requests  # 爬蟲傳送請求
from bs4 import BeautifulSoup as BS  # 爬蟲解析頁面
import time
import pandas as pd  # 存入csv檔案
import os

然後，向視訊地址傳送請求，解析出cid號：

r1 = requests.get(url=v_url, headers=headers)
html1 = r1.text
cid = re.findall('cid=(.*?)&aid=', html1)[0]  # 獲取視訊對應的cid號
print('該視訊的cid是:', cid)

根據cid號，拼出xml介面地址，並再次傳送請求：

danmu_url = 'http://comment.bilibili.com/{}.xml'.format(cid)  # 彈幕地址
print('彈幕地址是：', danmu_url)
r2 = requests.get(danmu_url)

解析xml頁面：標籤的文字內容為彈幕，標籤內p屬性值（按逗號分隔）的第四個欄位是時間戳：

soup = BS(html2, 'xml')
danmu_list = soup.find_all('d')
print('共爬取到{}條彈幕'.format(len(danmu_list)))
video_url_list = []  # 視訊地址
danmu_url_list = []  # 彈幕地址
time_list = []  # 彈幕時間
text_list = []  # 彈幕內容
for d in danmu_list:
	data_split = d['p'].split(',')  # 按逗號分隔
	temp_time = time.localtime(int(data_split[4]))  # 轉換時間格式
	danmu_time = time.strftime("%Y-%m-%d %H:%M:%S", temp_time)
	video_url_list.append(v_url)
	danmu_url_list.append(danmu_url)
	time_list.append(danmu_time)
	text_list.append(d.text)
	print('{}:{}'.format(danmu_time, d.text))

儲存時應注意，為了避免多次寫入csv標題頭，像這樣：

這裡，我寫了一個處理邏輯，大家看註釋，應該能明白：

if os.path.exists(v_result_file):  # 如果檔案存在，不需寫入欄位標題
	header = None
else:  # 如果檔案不存在，說明是第一次新建檔案，需寫入欄位標題
	header = ['視訊地址', '彈幕地址', '彈幕時間', '彈幕內容']
df.to_csv(v_result_file, encoding='utf_8_sig', mode='a+', index=False, header=header)  # 資料儲存到csv檔案

需要注意的是，encoding引數賦值為utf_8_sig，不然csv內容可能會產生亂碼，避免踩坑！

三、程式碼講解-情感分析部分

3.1 整體思路

針對情感分析需求，我主要做了三個步驟的分析工作：

用SnowNLP給彈幕內容打標：積極、消極，並統計佔比情況
用jieba.analyse分詞，並統計top10高頻詞
用WordCloud繪製詞雲圖

首先，匯入csv資料，並做資料清洗工作，不再贅述。

下面，正式進入情感分析程式碼部分：

3.2 情感分析打標

情感分析計算得分值、分類打標，並畫出餅圖。

# 情感判定
for comment in v_cmt_list:
	tag = ''
	sentiments_score = SnowNLP(comment).sentiments
	if sentiments_score < 0.5:
		tag = '消極'
		neg_count += 1
	elif sentiments_score > 0.5:
		tag = '積極'
		pos_count += 1
	else:
		tag = '中性'
		mid_count += 1
	score_list.append(sentiments_score)  # 得分值
	tag_list.append(tag)  # 判定結果
df['情感得分'] = score_list
df['分析結果'] = tag_list

這裡，我設定情感得分值小於0.5為消極，大於0.5為積極，等於0.5為中性。（這個分界線，沒有統一標準，根據資料分佈情況和分析經驗自己設定分界線即可）

情感判定結果：

畫出佔比餅圖的程式碼：

grp = df['分析結果'].value_counts()
print('正負面評論統計：')
print(grp)
grp.plot.pie(y='分析結果', autopct='%.2f%%')  # 畫餅圖
plt.title('王心凌彈幕_情感分佈佔比圖')
plt.savefig('王心凌彈幕_情感分佈佔比圖.png')  # 儲存圖片

餅圖結果：

從佔比結果來看，大部分網友還是很認可王心凌的。

3.3 統計top10高頻詞

程式碼如下：

# 2、用jieba統計彈幕中的top10高頻詞
keywords_top10 = jieba.analyse.extract_tags(v_cmt_str, withWeight=True, topK=10)
print('top10關鍵詞及權重：')
pprint(keywords_top10)

這裡需要注意，在呼叫jieba.analyse.extract_tags函式時，要匯入的是import jieba.analyse 而不是 import jieba

統計結果為：

3.4 繪製詞雲圖

注意別踩坑：

想要通過原始圖片的形狀生成詞雲圖，原始圖片一定要白色背景（實在沒有的話，PS修圖修一個吧），否則生成的是滿屏詞雲！！

try:
	stopwords = v_stopwords  # 停用詞
	backgroud_Image = np.array(Image.open('王心凌_背景圖.png'))  # 讀取背景圖片
	wc = WordCloud(
		background_color="white",  # 背景顏色
		width=1500,  # 圖寬
		height=1200,  # 圖高
		max_words=1000,  # 最多字數
		font_path='/System/Library/Fonts/SimHei.ttf',  # 字型檔案路徑，根據實際情況(Mac)替換
		# font_path="C:\Windows\Fonts\simhei.ttf",  # 字型檔案路徑，根據實際情況(Windows)替換
		stopwords=stopwords,  # 停用詞
		mask=backgroud_Image,  # 背景圖片
	)
	jieba_text = " ".join(jieba.lcut(v_str))  # jieba分詞
	wc.generate_from_text(jieba_text)  # 生成詞雲圖
	wc.to_file(v_outfile)  # 儲存圖片檔案
	print('詞雲檔案儲存成功：{}'.format(v_outfile))
except Exception as e:
	print('make_wordcloud except: {}'.format(str(e)))

得到的詞雲圖，如下：