Python如何爬取视频网站弹幕并做成词云图

本文将详细解释Python如何抓取视频网站的弹幕，并制作文字的云图。文章内容质量很高，我就分享给大家作为参考。希望大家看完这篇文章后对相关知识有一定的了解。

大家好，最近的“瓜”让我们措手不及，可谓“热点”。作为程序员，我们也可能随时为此加班。

各种评论视频在网上“爆”了，打开首页全是热门话题，某知名UP大师发布的视频都要出问题。

我只是在想：这么热门的话题和内容，有没有通用的分析方法？答案是：抓住弹幕或评论。

我们以Ice冰vlog的视频弹幕为例进行分析。

一、获取方法

1.网页解析：网页结构随时可能发生变化。

2.python第三方api:可能存在维护跟不上的问题。

简单对比后，我选择了第一种方法。

00-1010抓取弹幕的关键是获取视频的cid，有些地方也叫oid。通过浏览器开发者模式找到视频的cid并不难。我们可以通过cid.xml抓取https://comment.bilibili.com/视频的所有弹幕

00-10: 10由于弹幕的内容集中在xml文件中，我们需要下载这些文件并用xpath解析它们。

fromlxmlimportetree

导入请求

进口时间

importjieba

importnumpayasnp

from PiLiimportimage

fromWordCloudIMPORTWordCloudAswc

classBilibili(:)

' ' docstringforBilibili ' ' '

def__init__(self，oid):

self . headers={ 0

主机' :'api.bilibili.com '，

连接' : '保持活动状态'，

缓存控制' : '最大年龄=0 '，

升级-不安全-请求' :'1 '，

用户代理' : ' Mozilla/5.0(windowsnt 10.0；Win64x64)applebwebkit/537.36(KHTML，likeGecko)Chrome/69 . 0 . 3497 . 92 safari/537.36 '，

接受' : '文本/html，应用程序/xhtml xml，应用程序/XML；q=0.9，image/webp，image/apng，*/*；q=0.8 '，

接受-编码' :'gzip，deflate，br '，

接受-语言' :'zh-CN，zh；q=0.9 '，

不间断空格

; 'Cookie': 'finger=edc6ecda; LIVE_BUVID=AUTO1415378023816310; stardustvideo=1; CURRENT_FNVAL=8; buvid3=0D8F3D74-987D-442D-99CF-42BC9A967709149017infoc; rpdid=olwimklsiidoskmqwipww; fts=1537803390'
        }
        self.url='https://api.bilibili.com/x/v1/dm/list.so?oid='+str(oid)
        self.barrage_reault=self.get_page()
    # 获取信息
    def get_page(self):
        try:
            # 延时操作，防止太快爬取
            time.sleep(0.5)
            response=requests.get(self.url,headers=self.headers)
        except Exception as e:
            print('获取xml内容失败,%s' % e)
            return False
        else:
            if response.status_code == 200:
                # 下载xml文件
                with open('bilibili.xml','wb') as f:
                    f.write(response.content)
                return True
            else:
                return False
    # 解析网页
    def param_page(self):
        time.sleep(1)
        if  self.barrage_reault:
            # 文件路径，html解析器
            html=etree.parse('bilibili.xml',etree.HTMLParser())
            # xpath解析，获取当前所有的d标签下的所有文本内容
            results=html.xpath('//d//text()')
            return results

四、弹幕去重

重复的弹幕进行归类，未出现过的弹幕创建新的分类。为词频统计和词云做好准备。

# 弹幕去重
def remove_double_barrage(self):
    '''
    double_arrage:所有重复弹幕的集合
    results:去重后的弹幕
    barrage:每种弹幕内容都存储一遍
    '''
    double_barrage=[]
    results=[]
    barrage=set()
    for result in self.param_page():
        if result not in results:
            results.append(result)
        else:
            double_barrage.append(result)
            barrage.add(result)
    return double_barrage,results,barrage

五、弹幕重复次数统计和制作词云

我们在网上照一张“王冰冰”的照片，进行简单的处理，作为词云的轮廓图。

# 弹幕重复次数和词云制作
def make_wordCould(self):
    double_barrages,results,barrages=self.remove_double_barrage()
    # 重词计数
    with open('barrages.txt','w') as f:
        for barrage in barrages:
            amount=double_barrages.count(barrage)
            f.write(barrage+':'+str(amount+1)+'\n')
            
    # 设置停用词
    stop_words=['【','】',',','.','?','!','。']
    words=[]
    if results:
        for result in results:
            for stop in stop_words:
                result=''.join(result.split(stop))
            words.append(result)
        # 列表拼接成字符串
        words=''.join(words)
        words=jieba.cut(words)
        words=''.join(words)
        bingbing=np.array(Image.open('冰冰.jpg'))
        w=wc(font_path='‪C:/Windows/Fonts/SIMYOU.TTF',
             background_color='white',
             width=900,
             height=600,
             max_font_size=15,
             min_font_size =1,
             max_words=3000,
             mask=bingbing)
        w.generate(words)
        w.to_file('bingbing.jpg')
    
b=Bilibili(283851334)#视频的cid
b.make_wordCould()#绘制词云

统计结果：

关于Python如何爬取视频网站弹幕并做成词云图就分享到这里了，希望