爬取24w+弹幕信息后，我果断去追剧了

数据STUDIO

发布于 2021-06-24 10:34:14

9670

发布于 2021-06-24 10:34:14

文章被收录于专栏：数据STUDIO

数据获取是数据分析中的重要的一步，数据获取的途径多种多样，在这个信息爆炸的时代，数据获取的代价也是越来越小。尽管如此，仍有很多小伙伴们不清楚如何获取有用信息。本文以最近热播排行榜第一名的《流金岁月》为例子，手把手教你如何获取爱奇艺电视剧弹幕数据。

寻找弹幕信息

爱奇艺的弹幕数据是以.z形式的压缩文件存在，先通过以下步骤找到弹幕url, tvid列表，再获取压缩文件。利用工具对获取的压缩文件进行解压、处理、存储及分析。

众所周知，实行多页爬取，需要分析url规律，利用url规律循环请求并获取所需内容。

此弹幕文件url地址为 https://cmts.iqiyi.com/bullet/93/00/6024766870349300_300_1.z 其中tvid = 6024766870349300

url普适形式为 url = 'https://cmts.iqiyi.com/bullet/{}/{}/{}_300_{}.z' 其中第一个与第二个花括号内容是tvid 后3、4位，后1、2位。第三个花括号为tvid。第四个花括号为子文件序号，其不是一个无穷大的数，会根据不同的电视剧有不同的最大数。

获取弹幕文件

可以利用浏览器通过url直接请求，并获取结果。

输入网址可获取弹幕内容的压缩文件文件。

利用解压/压缩包zlib 对下载下来的压缩文件进行解压查看。

import zlib
from bs4 import BeautifulSoup
with open(r"C:\Users\HP\Downloads\6024766870349300_300_10.z", 'rb') as fin:
    content = fin.read()
btArr = bytearray(content)
xml=zlib.decompress(btArr).decode('utf-8')
bs = BeautifulSoup(xml,"xml")
bs

输出

充电时刻

zlib 官网链接[1]

zlib.compress可以压缩字符串或文件。
zlib.decompress 可以解压字符串或文件。

bytearray([source[, encoding[, errors]]])

若 source 为整数，则返回一个长度为 source 的初始化数组；
若 source 为字符串，则按照指定的 encoding 将字符串转换为字节序列；
若 source 为可迭代类型，则元素必须为[0 ,255] 中的整数；
若 source 为与 buffer 接口一致的对象，则此对象也可以被用于初始化 bytearray；
若没有输入任何参数，默认就是初始化数组为0个元素。

BeautifulSoup网页解析器 借助网页的结构和属性来解析网页，如果还不清楚的小伙伴可以跳转《网络爬虫 | Beautiful Soup解析数据模块》充电。

因此只要获得tvid就能轻松获取该电视剧的弹幕文件数据。

import zlib
from bs4 import BeautifulSoup
import pandas as pd
import requests
def get_data(tv_name,tv_id):
    """
    获取每集的tvid
    :param tv_name: 集数，第1集、第2集...
    :param tv_id: 每集的tvid
    :return: DataFrame, 最终的数据
    """
    base_url = 'https://cmts.iqiyi.com/bullet/{}/{}/{}_300_{}.z'
    # 新建一个只有表头的DataFrame
    head_data = pd.DataFrame(columns=['uid','contentsId','contents','likeCount'])
    for i in range(1,20):
        url = base_url.format(tv_id[-4:-2],tv_id[-2:],tv_id,i)
        print(url)
        res = requests.get(url)
        if res.status_code == 200:
            btArr = bytearray(res.content) 
            xml=zlib.decompress(btArr).decode('utf-8') # 解压压缩文件
            bs = BeautifulSoup(xml,"xml") # BeautifulSoup网页解析
            data = pd.DataFrame(columns=['uid','contentsId','contents','likeCount'])
            data['uid'] = [i.text for i in bs.findAll('uid')]
            data['contentsId'] = [i.text for i in bs.findAll('contentId')]
            data['contents'] = [i.text for i in bs.findAll('content')]
            data['likeCount'] = [i.text for i in bs.findAll('likeCount')]
        else:
            break
        head_data = pd.concat([head_data,data],ignore_index = True)
    head_data['tv_name']= tv_name
    return head_data

获取tvid

上文已通过tvid获取到了弹幕文件数据，那么如何获取tvid又成了一个问题。莫急，我们继续分析。直接Ctrl + F 搜索 tvid

因此可以直接从返回结果中通过正则表达式获取tvid。

from requests_html import HTMLSession, UserAgent
from bs4 import BeautifulSoup
import re
def get_tvid(url):
    """
    获取每集的tvid
    :param url: 请求网址
    :return: str, 每集的tvid
    """
    session = HTMLSession()   #创建HTML会话对象
    user_agent = UserAgent().random  #创建随机请求头
    header = {"User-Agent": user_agent}
    res = session.get(url, headers=header)
    res.encoding='utf-8'
    bs = BeautifulSoup(res.text,"html.parser")
    pattern =re.compile(".*?tvid.*?(\d{16}).*?") # 定义正则表达式
    text_list = bs.find_all(text=pattern) # 通过正则表达式获取内容
    for t in range(len(text_list)):
        res_list = pattern.findall(text_list[t])
        if not res_list:
            pass
        else:
            tvid = res_list[0]
    return tvid

充电时刻

Requests-HTML模块 为requests增强版会模拟真实浏览器向URL发送网络请求。可跳转查看《requests 扩展 | Requests-HTML（增强版）》 正则匹配 具体使用方法可参见《网络爬虫 | 正则表达式》

由此可以获得tvid。因每一集都有一个tvid，有多少集电视剧就可以获取多少个tvid。那么问题又来了：获取tvid时，是通过url发送请求，从返回结果中获取。而每一集的url又该如何获取呢。

获取每集url

通过元素选择工具定位到集数选择信息。通过selenium模拟浏览器获取动态加载信息。

有小伙伴会说，可以直接直接从返回内容中获取此href网址啊，你可以自己动手尝试下。

云朵君尝试后得到的结果是href="javascript:void(0);" ，因此解决这一问题的方法之一是运用selenium模拟浏览器获取js动态加载信息。

def get_javascript0_links(url, class_name, class_name_father, sleep_time=0.02):
    """
    Selenium模拟用户点击爬取url
    :param url: 目标页面
    :param class_name: 模拟点击的类
    :param class_name_father： 模拟点击的类，此类为class_name的父类
    :param sleep_time: 留给页面后退的时间
    :return: list, 点击class为class_name进去的超链接
    """

    def wait(locator, timeout=15):
        """等到元素加载完成"""
        WebDriverWait(driver, timeout).until(EC.presence_of_element_located(locator))

    options = Options()
#     options.add_argument("--headless")  # 无界面,若你需要查看界面内容，可以将此行注释掉
    driver = webdriver.Chrome(options=options)
    driver.get(url)

    locator = (By.CLASS_NAME, class_name)
    wait(locator)
    element = driver.find_elements_by_class_name(class_name_father)
    elements = driver.find_elements_by_class_name(class_name)
    link = []
    linkNum = len(elements)
    for j in range(len(element)):
        wait(locator)
        driver.execute_script("arguments[0].click();", element[j]) # 模拟用户点击
        for i in range(linkNum):
            print(i)
            wait(locator)
            elements = driver.find_elements_by_class_name(class_name) # 再次获取元素，预防StaleElementReferenceException
            driver.execute_script("arguments[0].click();", elements[i]) # 模拟用户点击
            time.sleep(sleep_time)
            link.append(driver.current_url)
            time.sleep(sleep_time)
            driver.back()
    driver.quit()
    return link

if __name__ == "__main__":
    url = "https://www.iqiyi.com/v_1meaw5kgh3s.html"
    class_name = "qy-episode-num"
    link = get_javascript0_links(url, class_name, class_name_father="tab-bar")
    for i, _link in enumerate(link):
        print(i, _link)

充电时刻

selenium 这里还不熟悉的小伙伴们可以查看《网络爬虫｜ selenium 爬取动态加载信息》充电哟

至此，所有关键步骤已经搞定了：先通过基础url获取每集电视剧的url；再通过url发送请求并从返回信息中获取tvid，最后通过tvid获取所需弹幕信息。

主函数

接下来通过主函数将所有步骤串起。

def main(sleep_second=0.02):
    url = "https://www.iqiyi.com/v_1meaw5kgh3s.html"
    class_name = "select-item"
    class_name_father = "bar-li"
    links = get_javascript0_links(url, class_name, class_name_father)
    head_data = pd.DataFrame(columns=['tv_name','uid','contentsId','contents','likeCount'])
    for num, link in enumerate(links):
        tv_name = f"第{num+1}集"
        tv_id = get_tvid(url=link)
        data = get_data(tv_name,tv_id)
        head_data = pd.concat([head_data,data],ignore_index = True)
        time.sleep(sleep_second)
    return head_data

获取到的数据结果如下：

>>> data = main()
>>> data.info()
"""
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 246716 entries, 0 to 246715
Data columns (total 5 columns):
 #   Column      Non-Null Count   Dtype 
---  ------      --------------   ----- 
 0   tv_name     246716 non-null  object
 1   uid         246716 non-null  object
 2   contentsId  246716 non-null  object
 3   contents    246716 non-null  object
 4   likeCount   246716 non-null  object
dtypes: object(5)
memory usage: 9.4+ MB
"""
>>> data.sample(10)

词云图

先分词

运用中文分词库jieba分词，并去除停用词。

def get_cut_words(content_series):
    """
    :param content_series: 需要分词的内容
    :return: list, 点击class为class_name进去的超链接
    """
    # 读入停用词表
    import jieba 
    stop_words = [] 
    with open("stop_words.txt", 'r', encoding='utf-8') as f:
        lines = f.readlines()
        for line in lines:
            stop_words.append(line.strip())
    # 添加关键词
    my_words = ['倪妮', '刘诗诗', '锁锁', '蒋三岁', '陈道明']      
    for i in my_words:
        jieba.add_word(i) 
    # 自定义停用词
    my_stop_words = ['哈哈哈','哈哈哈哈', '真的']    
    stop_words.extend(my_stop_words)               
    # 分词
    word_num = jieba.lcut(content_series.str.cat(sep='。'), cut_all=False)
    word_num_selected = [i for i in word_num if i not in stop_words and len(i)>=2] # 条件筛选
    
    return word_num_selected

后画图

运用升级版词云图库stylecloud 可视化弹幕结果。

import stylecloud
from IPython.display import Image 
text1 = get_cut_words(content_series=data.contents)
stylecloud.gen_stylecloud(text=' '.join(text1), collocations=False,
                          font_path=r'‪C:\Windows\Fonts\msyh.ttc',
                          icon_name='fas fa-rocket',size=400,
                          output_name='流金岁月-词云.png')
Image(filename='流金岁月-词云.png')

充电时刻

stylecloud stylecloud是一位数据科学家 Max Woolf基于wordcloud优化改良而成的Python包。 stylecloud 具备以下特点：

为词云提供（任意大小）的图标形状（通过 Font Awesome 5.11.2 获得）；
支持高级调色板（通过 palettable 实现）；
为上述调色板提供直接梯度；
支持读取文本文件，或预生成的 CSV 文件（包含单词和数字）；
提供命令行接口

词云图蒙板 决定词云图的颜值之一是其输出形状，控制词云图输出形状的参数为 icon_name ，其直接使用Font Awesome这个现成的方案。在stylecloud \ static的文件夹中，有一个fontawesome.min.css文件包含了巨量的图标，你可以定期到官方网站去升级这个图标库。参数 icon_name 的取值可以通过中文网站fontawesome[2] 或fontawesome新[3] 选取相应的代码。