用Python爬取b站弹幕，看大家还会接受《爱情公寓5》吗？

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])

词云图上，可以看到《爱情公寓》依旧是一代人快乐的回忆，即便是电影导致IP口碑全面崩盘，但粉丝好感似乎用之不尽。即便有人提到抄袭借鉴之类的，也会被说“黑粉gun开”。 通过这次B站弹幕的爬取分析，我现在可以肯定的是《爱5》依然会有很多人看。只要片方挥舞着“十年怀旧，挥别青春”的大旗便会无往不利，这也是他们的底气所在。 其实我理解大家只是想要一个结局。 但《爱5》过后。 没有演技的演员重新找路。 靠着怀旧的片方盆丰钵满。 这是我们想要的结局吗？ 朱小五，某互联网公司数据分析师，热衷于爬虫，数据分析，可视化，个人公众号《凹凸玩数据》 本文相关代码已上传github： https://github.com/zpw1995/aotodata/tree/master/bilibili_danmu