如何用Python爬取弹幕

小编给大家分享一下如何用Python爬取弹幕,希望大家阅读完这篇文章后大所收获,下面让我们一起去探讨方法吧!

元谋网站建设公司创新互联,元谋网站设计制作,有大型网站制作公司丰富经验。已为元谋上千提供企业网站建设服务。企业网站搭建\外贸营销网站建设要多少钱,请找那个售后服务好的元谋做网站的公司定做!

整篇文章分为两部分:1.爬取爱奇艺中该剧第一集的弹幕 2.对爬取出来的弹幕做处理,并制作词云。

1.爬取爱奇艺弹幕

相比于其他视频网站来说,爱奇艺的弹幕难爬一些,为啥呢,因为你爬取出来的文件是乱码的(下边会贴图),需要自己再把该文件二进制编码之后才能用。具体步骤如下:

首先,打开浏览器,进入爱奇艺页面,点开该剧,弹幕打开,然后F12,浏览器下方或者右侧会弹出一些界面,选择Network,在我图上标注的框中输入“bullet”搜索弹幕相关的文件,为啥输入这个搜索呢,因为这个单词的意思就是弹幕,程序员命名东西一般也是有规律的,还有大多视频网站的弹幕相关文件都是这个名字哈哈。如果你F12搜索之后无内容,那直接点击下浏览器刷新按钮即可。下图中箭头指的分别是Network、搜索框、弹幕文件名和弹幕内容(你可以看到,弹幕内容是乱七八糟的乱码)。还有说明一点,弹幕文件一集不止一个,爱奇艺5分钟加载一个弹幕文件(为啥5分钟,下边会解释)。

如何用Python爬取弹幕

 

接下来,观察弹幕文件出现的规律以及弹幕文件地址中的规律,总结为以下:

弹幕文件链接规律为

https://cmts.iqiyi.com/bullet/tvid倒数4位的前两位/tvid最后两位/tvid_300_x.z;

x的计算方式为片子总时长除以300秒向上取整,即按每5分钟一个包。

tvid是啥呢,就是你URL导航栏里的这块,x为啥按5分钟一个包呢,是因为我F12之后查看两个相邻的弹幕文件包,它就是5分钟加载一个。

如何用Python爬取弹幕

 

 

如何用Python爬取弹幕

 

如何用Python爬取弹幕

 

那第一集总共时长77分钟,按5分钟加载一个弹幕文件的话,向上取整,我们总共要抓取16个(77/5+1)弹幕文件。

抓取代码为:

import zlib
import requests
for x in range(16):
    x+=1
    #x是从1到16,16怎么来的,第一集总共77分钟,爱奇艺每5分钟会加载新的弹幕
    #77除以5向上取整
    url='https://cmts.iqiyi.com/bullet/92/00/9000000005439200_300_'+str(x)+'.z'
    bulletold=requests.get(url).content #这步取出来的文件是乱码的
    bulletnew = bytearray(bulletold)#将上一步的乱码文件用二进制再编码下
    xml=zlib.decompress(bulletnew, 15+32).decode('utf-8')
    #把编码好的文件分别写入16个xml文件中(类似于txt文件),方便后边取数据

    with open('./iqiyi'+str(x)+'.xml','a+',encoding='utf-8') as f:
        f.write(xml)
    f.close()

 

抓取出来的xml文件为下图,能看出来content字段就是弹幕:

如何用Python爬取弹幕

 

将xml文件中的content字段取出来存为dan_mu.txt文件,方便我们之后做词云:

from xml.dom.minidom import parse
import xml.dom.minidom
for x in range(16):
    x+=1
    DOMTree = xml.dom.minidom.parse(r"C:\Users\dmj\PycharmProjects\test\iqiyi"+str(x)+".xml")
    collection = DOMTree.documentElement
    # 在集合中获取所有entry数据
    entrys = collection.getElementsByTagName("entry")
    print(entrys)
    for entry in entrys:
        content = entry.getElementsByTagName('content')[0]
        print(content.childNodes[0].data)
        i = content.childNodes[0].data
        with open("dan_mu.txt", mode="a+", encoding="utf-8") as f:
                f.write(i)
                f.write("\n")

dan_mu.txt文件大概长这样:

如何用Python爬取弹幕

 

2.制作词云

制作词云使用python的wordcloud库和jieba库,代码如下:

from wordcloud import WordCloud
import jieba
import matplotlib.pyplot as plt
#读取弹幕txt文件
with open('./dan_mu.txt',encoding = 'utf-8', mode = 'r')as f:
    myText = f.read()
myText = " ".join(jieba.cut(myText))
list = myText.split(" ")

#清洗无用数据
for i in range(len(list)-1,-1,-1):
    if len(list[i])==1 or list[i]=="这个" or \
            list[i]=="不是" or list[i]=="这么" \
            or list[i]=="怎么" or list[i]=="这是"\
            or list[i]=="还是":
        list.remove(list[i])
#print(list)
myText= " ".join(list)
print(myText)

# 制作词云
wordcloud = WordCloud(background_color="white", font_path="simsun.ttf", height=300, width = 400).generate(myText)
# 图片展示
plt.imshow(wordcloud)
plt.axis("off")
plt.show()
# 将词云图片导出到当前文件夹
wordcloud.to_file("wordCloudMo.png")

在此处可能会遇到的问题是,wordcloud这个外部库你在下载的时候可能会遇到各种花式报错,如何解决呢,参见下边这位老哥的方法:

https://blog.csdn.net/qq_42813128/article/details/82020510

词云图结果如下:

如何用Python爬取弹幕

 

从词云图中我们可以看到,“真实”,“孩子”,“严良”,“普普”,“演技”等词语出现的频率很高。“真实”,“演技”,“厉害”等词语是大家对这部剧的肯定;“孩子”指的是这三个主演的小孩;“普普”的演技真的很不错,大家都猜测她会不会成为下一个张子枫。

总体来讲,弹幕中大家对这部剧基本都是好评,所以还是值得一看的。


    

看完了这篇文章,相信你对如何用Python爬取弹幕有了一定的了解,想了解更多相关知识,欢迎关注创新互联行业资讯频道,感谢各位的阅读!

本文题目:如何用Python爬取弹幕
本文链接:https://www.cdcxhl.com/article44/jcgoee.html

成都网站建设公司_创新互联,为您提供全网营销推广网站策划用户体验虚拟主机品牌网站制作域名注册

广告

声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联

成都网站建设