用数据分析网络暴力有多可怕

数据森麟

发布于 2019-09-28 21:22:18

3.4K0

发布于 2019-09-28 21:22:18

文章被收录于专栏：数据森麟数据森麟

作者 | 小F

来源 | 法纳斯特

这应该是一篇拖得蛮久的文章。

故事源于潘长江在某个综艺节目上没认出蔡徐坤，然后潘长江老师的微博评论区就炸锅了。

最后搞得两边都多多少少受到网络暴力的影响。

直至今日，这条微博的评论区还在更新着。

不得不说微博的黑粉，强行带节奏，真的很可怕。

还有比如自己一直关注的英雄联盟。

上周王校长也是被带了一波节奏，源于姿态退役后又复出的一条微博。

本来是一句很普通的调侃回复，「离辣个传奇adc的回归，还远吗？[二哈]」。

然后就有人开始带王校长的节奏，直接把王校长给惹毛了。

上面这些事情，对于我这个吃瓜群众，也没什么好说的。

只是希望以后能没有那么多无聊的人去带节奏，强行给他人带来压力。

本次通过获取潘长江老师那条微博的评论用户信息，来分析一波。

一共是获取了3天的评论，共14万条。

/ 01 / 前期工作

微博评论信息获取就不细说，之前也讲过了。

这里提一下用户信息获取，同样从移动端下手。

主要是获取用户的昵称、性别、地区、微博数、关注数、粉丝数。

另外本次的数据存储采用MySQL数据库。

创建数据库。

import pymysql

db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306)
cursor = db.cursor()
cursor.execute("CREATE DATABASE weibo DEFAULT CHARACTER SET utf8mb4")
db.close()

创建表格以及设置字段信息。

import pymysql

db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='weibo')
cursor = db.cursor()
sql = 'CREATE TABLE IF NOT EXISTS comments (user_id VARCHAR(255) NOT NULL, user_message VARCHAR(255) NOT NULL, weibo_message VARCHAR(255) NOT NULL, comment VARCHAR(255) NOT NULL, praise VARCHAR(255) NOT NULL, date VARCHAR(255) NOT NULL, PRIMARY KEY (comment, date))'
cursor.execute(sql)
db.close()

/ 02 / 数据获取

具体代码如下。

from copyheaders import headers_raw_to_dict
from bs4 import BeautifulSoup
import requests
import pymysql
import re

headers = b"""
accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
accept-encoding:gzip, deflate, br
accept-language:zh-CN,zh;q=0.9
cache-control:max-age=0
cookie:你的参数
upgrade-insecure-requests:1
user-agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36
"""

# 将请求头字符串转化为字典
headers = headers_raw_to_dict(headers)


def to_mysql(data):
    """
    信息写入mysql
    """
    table = 'comments'
    keys = ', '.join(data.keys())
    values = ', '.join(['%s'] * len(data))
    db = pymysql.connect(host='localhost', user='root', password='774110919', port=3306, db='weibo')
    cursor = db.cursor()
    sql = 'INSERT INTO {table}({keys}) VALUES ({values})'.format(table=table, keys=keys, values=values)
    try:
        if cursor.execute(sql, tuple(data.values())):
            print("Successful")
            db.commit()
    except:
        print('Failed')
        db.rollback()
    db.close()


def get_user(user_id):
    """
    获取用户信息
    """
    try:
        url_user = 'https://weibo.cn' + str(user_id)
        response_user = requests.get(url=url_user, headers=headers)
        soup_user = BeautifulSoup(response_user.text, 'html.parser')
        # 用户信息
        re_1 = soup_user.find_all(class_='ut')
        user_message = re_1[0].find(class_='ctt').get_text()
        # 微博信息
        re_2 = soup_user.find_all(class_='tip2')
        weibo_message = re_2[0].get_text()
        return (user_message, weibo_message)
    except:
        return ('未知', '未知')


def get_message():
    # 第一页有热门评论,拿取信息较麻烦,这里偷个懒~
    for i in range(2, 20000):
        data = {}
        print('第------------' + str(i) + '------------页')
        # 请求网址
        url = 'https://weibo.cn/comment/Hl2O21Xw1?uid=1732460543&rl=0&page=' + str(i)
        response = requests.get(url=url, headers=headers)
        html = response.text
        soup = BeautifulSoup(html, 'html.parser')
        # 评论信息
        comments = soup.find_all(class_='ctt')
        # 点赞数
        praises = soup.find_all(class_='cc')
        # 评论时间
        date = soup.find_all(class_='ct')
        # 获取用户名
        name = re.findall('id="C_.*?href="/.*?">(.*?)</a>', html)
        # 获取用户ID
        user_ids = re.findall('id="C_.*?href="(.*?)">(.*?)</a>', html)

        for j in range(len(name)):
            # 用户ID
            user_id = user_ids[j][0]
            (user_message, weibo_message) = get_user(user_id)
            data['user_id'] = " ".join(user_id.split())
            data['user_message'] = " ".join(user_message.split())
            data['weibo_message'] = " ".join(weibo_message.split())
            data['comment'] = " ".join(comments[j].get_text().split())
            data['praise'] = " ".join(praises[j * 2].get_text().split())
            data['date'] = " ".join(date[j].get_text().split())
            print(data)
            # 写入数据库中
            to_mysql(data)


if __name__ == '__main__':
    get_message()

最后成功获取评论信息。

3天14万条评论，着实可怕。

有时我不禁在想，到底是谁天天会那么无聊去刷评论。

职业黑粉，职业水军吗？好像还真的有。

/ 03 / 数据清洗

清洗代码如下。

import pandas as pd
import pymysql

# 设置列名与数据对齐
pd.set_option('display.unicode.ambiguous_as_wide', True)
pd.set_option('display.unicode.east_asian_width', True)
# 显示10列
pd.set_option('display.max_columns', 10)
# 显示10行
pd.set_option('display.max_rows', 10)
# 设置显示宽度为500,这样就不会在IDE中换行了
pd.set_option('display.width', 2000)

# 读取数据
conn = pymysql.connect(host='localhost', user='root', password='774110919', port=3306, db='weibo', charset='utf8mb4')
cursor = conn.cursor()
sql = "select * from comments"
db = pd.read_sql(sql, conn)

# 清洗数据
df = db['user_message'].str.split(' ', expand=True)
# 用户名
df['name'] = df[0]
# 性别及地区
df1 = df[1].str.split('/', expand=True)
df['gender'] = df1[0]
df['province'] = df1[1]
# 用户ID
df['id'] = db['user_id']
# 评论信息
df['comment'] = db['comment']
# 点赞数
df['praise'] = db['praise'].str.extract('(\d+)').astype("int")
# 微博数,关注数,粉丝数
df2 = db['weibo_message'].str.split(' ', expand=True)
df2 = df2[df2[0] != '未知']
df['tweeting'] = df2[0].str.extract('(\d+)').astype("int")
df['follows'] = df2[1].str.extract('(\d+)').astype("int")
df['followers'] = df2[2].str.extract('(\d+)').astype("int")
# 评论时间
df['time'] = db['date'].str.split(':', expand=True)[0]
df['time'] = pd.Series([i+'时' for i in df['time']])
df['day'] = df['time'].str.split(' ', expand=True)[0]
# 去除无用信息
df = df.ix[:, 3:]
df = df[df['name'] != '未知']
df = df[df['time'].str.contains("日")]
# 随机输出10行数据
print(df.sample(10))

输出数据。

随机输出十条，就大致能看出评论区是什么画风了。

/ 04 / 数据可视化

01 评论用户性别情况

通过用户ID对数据去重后，剩下约10万+用户。

第一张图为所有用户的性别情况，其中男性3万+，女性7万+。

这确实也符合蔡徐坤的粉丝群体。

第二张图是因为之前看到「Alfred数据室」对于蔡徐坤粉丝群体的分析。

提到了很多蔡徐坤的粉丝喜欢用带有「坤、蔡、葵、kun」的昵称。

所以将昵称包含这些字的用户提取出来。

果不其然，女性1.2万+，男性900+，更加符合了蔡徐坤的粉丝群体。

可视化代码如下。

from pyecharts import Pie, Map, Line


def create_gender(df):
    # 全部用户
    # df = df.drop_duplicates('id')
    # 包含关键字用户
    df = df[df['name'].str.contains("坤|蔡|葵|kun")].drop_duplicates('id')
    # 分组汇总
    gender_message = df.groupby(['gender'])
    gender_com = gender_message['gender'].agg(['count'])
    gender_com.reset_index(inplace=True)

    # 生成饼图
    attr = gender_com['gender']
    v1 = gender_com['count']
    # pie = Pie("微博评论用户的性别情况", title_pos='center', title_top=0)
    # pie.add("", attr, v1, radius=[40, 75], label_text_color=None, is_label_show=True, legend_orient="vertical", legend_pos="left", legend_top="%10")
    # pie.render("微博评论用户的性别情况.html")
    pie = Pie("微博评论用户的性别情况(昵称包含关键字)", title_pos='center', title_top=0)
    pie.add("", attr, v1, radius=[40, 75], label_text_color=None, is_label_show=True, legend_orient="vertical", legend_pos="left", legend_top="%10")
    pie.render("微博评论用户的性别情况(昵称包含关键字).html")

02 评论用户区域分布

广东以8000+的评论用户居于首位，随后则是北京、山东，江苏，浙江，四川。

这里也与之前网易云音乐评论用户的分布有点相似。

更加能说明这几个地方的网民不少。

可视化代码如下。

def create_map(df):
    # 全部用户
    df = df.drop_duplicates('id')
    # 分组汇总
    loc_message = df.groupby(['province'])
    loc_com = loc_message['province'].agg(['count'])
    loc_com.reset_index(inplace=True)

    # 绘制地图
    value = [i for i in loc_com['count']]
    attr = [i for i in loc_com['province']]
    map = Map("微博评论用户的地区分布图", title_pos='center', title_top=0)
    map.add("", attr, value, maptype="china", is_visualmap=True, visual_text_color="#000", is_map_symbol_show=False, visual_range=[0, 7000])
    map.render('微博评论用户的地区分布图.html')

03 评论用户关注数分布

整体上符合常态，不过我也很好奇那些关注上千的用户，是什么样的一个存在。

可视化代码如下。

def create_follows(df):
    """
    生成评论用户关注数情况
    """
    df = df.drop_duplicates('id')
    follows = df['follows']
    bins = [0, 10, 20, 50, 100, 200, 500, 1000, 2000, 5000, 10000, 20000]
    level = ['0-10', '10-20', '20-50', '50-100', '100-200', '200-500', '500-1000', '1000-2000', '2000-5000', '5000-10000', '10000以上']
    len_stage = pd.cut(follows, bins=bins, labels=level).value_counts().sort_index()
    # 生成柱状图
    attr = len_stage.index
    v1 = len_stage.values
    bar = Bar("评论用户关注数分布情况", title_pos='center', title_top='18', width=800, height=400)
    bar.add("", attr, v1, is_stack=True, is_label_show=True, xaxis_interval=0, xaxis_rotate=30)
    bar.render("评论用户关注数分布情况.html")

04 评论用户粉丝数分布

这里发现粉丝数为「0-10」的用户不少，估摸着应该是水军在作怪了。

粉丝数为「50-100」的用户最多。

可视化代码如下。

def create_follows(df):
    """
    生成评论用户关注数情况
    """
    df = df.drop_duplicates('id')
    follows = df['follows']
    bins = [0, 10, 20, 50, 100, 200, 500, 1000, 2000, 5000, 10000, 20000]
    level = ['0-10', '10-20', '20-50', '50-100', '100-200', '200-500', '500-1000', '1000-2000', '2000-5000', '5000-10000', '10000以上']
    len_stage = pd.cut(follows, bins=bins, labels=level).value_counts().sort_index()
    # 生成柱状图
    attr = len_stage.index
    v1 = len_stage.values
    bar = Bar("评论用户关注数分布情况", title_pos='center', title_top='18', width=800, height=400)
    bar.add("", attr, v1, is_stack=True, is_label_show=True, xaxis_interval=0, xaxis_rotate=30)
    bar.render("评论用户关注数分布情况.html")

05 评论时间分布

潘老师是在17时发出微博的，但是那时并没有大量的评论出现，那个小时一共有1237条评论。

直到蔡徐坤在18时评论后，微博的评论一下就上去了，24752条。

而且目前一半的评论都是在蔡徐坤的回复底下评论，点赞数多的也大多都在其中。

不得不说蔡徐坤的粉丝力量真大，可怕可怕~

可视化代码如下。

def creat_date(df):
    # 分组汇总
    date_message = df.groupby(['time'])
    date_com = date_message['time'].agg(['count'])
    date_com.reset_index(inplace=True)

    # 绘制走势图
    attr = date_com['time']
    v1 = date_com['count']
    line = Line("微博评论的时间分布", title_pos='center', title_top='18', width=800, height=400)
    line.add("", attr, v1, is_smooth=True, is_fill=True, area_color="#000", xaxis_interval=24, is_xaxislabel_align=True, xaxis_min="dataMin", area_opacity=0.3, mark_point=["max"], mark_point_symbol="pin", mark_point_symbolsize=55)
    line.render("微博评论的时间分布.html")

06 评论词云

大体上言论还算好，没有很偏激。

可视化代码如下。

from wordcloud import WordCloud, ImageColorGenerator
import matplotlib.pyplot as plt
import jieba


def create_wordcloud(df):
    """
    生成评论词云
    """
    words = pd.read_csv('chineseStopWords.txt', encoding='gbk', sep='\t', names=['stopword'])
    # 分词
    text = ''
    for line in df['comment']:
        line = line.split(':')[-1]
        text += ' '.join(jieba.cut(str(line), cut_all=False))
    # 停用词
    stopwords = set('')
    stopwords.update(words['stopword'])
    backgroud_Image = plt.imread('article.jpg')
    wc = WordCloud(
        background_color='white',
        mask=backgroud_Image,
        font_path='C:\Windows\Fonts\华康俪金黑W8.TTF',
        max_words=2000,
        max_font_size=150,
        min_font_size=15,
        prefer_horizontal=1,
        random_state=50,
        stopwords=stopwords
    )
    wc.generate_from_text(text)
    img_colors = ImageColorGenerator(backgroud_Image)
    wc.recolor(color_func=img_colors)
    # 高词频词语
    process_word = WordCloud.process_text(wc, text)
    sort = sorted(process_word.items(), key=lambda e: e[1], reverse=True)
    print(sort[:50])
    plt.imshow(wc)
    plt.axis('off')
    wc.to_file("微博评论词云.jpg")
    print('生成词云成功!')

/ 04 / 总结

最后，照例来扒一扒哪位用户评论最多。