如何用Python爬取弹幕

发布时间:2020-06-24 09:40:39 作者:清晨
来源:亿速云 阅读:298

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!


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,欢迎关注亿速云行业资讯频道,感谢各位的阅读!

推荐阅读:
  1. 如何用python爬取知乎话题?
  2. Python爬虫爬取Bilibili弹幕过程解析

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

爬取弹幕 python爬

上一篇:怎么检测crontab定时任务有没有响应

下一篇:JDK8新增了哪些内容

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》