一馏艾、背景介紹
最近幾天,谷愛凌在冬奧會賽場上奪得一枚寶貴的金牌亭病,為中國隊貢獻了自己的榮譽鹅很!
針對此熱門事件嘶居,我用Python的爬蟲和情感分析技術(shù)罪帖,針對小破站的彈幕數(shù)據(jù),分析了眾網(wǎng)友彈幕的輿論導(dǎo)向邮屁,下面我們來看一下整袁,是如何實現(xiàn)的分析過程。
二佑吝、代碼講解-爬蟲部分
2.1 分析彈幕接口
首先分析B站彈幕接口坐昙。
經(jīng)過分析,得到的彈幕地址有兩種:
第一種:http://comment.bilibili.com/{cid}.xml
第二種:https://api.bilibili.com/x/v1/dm/list.so?oid={cid}
這兩種返回的結(jié)果一致芋忿!但都不全炸客,都是只有部分彈幕疾棵!
以視頻 https://www.bilibili.com/video/BV1YY41157dk 為例,查看網(wǎng)頁源代碼痹仙,可以找到對應(yīng)的cid為503862594是尔,所以該視頻對應(yīng)的彈幕接口地址是:http://comment.bilibili.com/503862594.xml
2.2 講解爬蟲代碼
首先,導(dǎo)入需要用到的庫:
import re # 正則表達式提取文本
import requests # 爬蟲發(fā)送請求
from bs4 import BeautifulSoup as BS # 爬蟲解析頁面
import time
import pandas as pd # 存入csv文件
import os
然后众弓,向視頻地址發(fā)送請求恩溅,解析出cid號:
r1 = requests.get(url=v_url, headers=headers)
html1 = r1.text
cid = re.findall('cid=(.*?)&aid=', html1)[0] # 獲取視頻對應(yīng)的cid號
print('該視頻的cid是:', cid)
根據(jù)cid號,拼出xml接口地址谓娃,并再次發(fā)送請求:
danmu_url = 'http://comment.bilibili.com/{}.xml'.format(cid) # 彈幕地址
print('彈幕地址是:', danmu_url)
r2 = requests.get(danmu_url)
解析xml頁面:<d>標(biāo)簽的文本內(nèi)容為彈幕脚乡,<d>標(biāo)簽內(nèi)p屬性值(按逗號分隔)的第四個字段是時間戳:
soup = BS(html2, 'xml')
danmu_list = soup.find_all('d')
print('共爬取到{}條彈幕'.format(len(danmu_list)))
video_url_list = [] # 視頻地址
danmu_url_list = [] # 彈幕地址
time_list = [] # 彈幕時間
text_list = [] # 彈幕內(nèi)容
for d in danmu_list:
data_split = d['p'].split(',') # 按逗號分隔
temp_time = time.localtime(int(data_split[4])) # 轉(zhuǎn)換時間格式
danmu_time = time.strftime("%Y-%m-%d %H:%M:%S", temp_time)
video_url_list.append(v_url)
danmu_url_list.append(danmu_url)
time_list.append(danmu_time)
text_list.append(d.text)
print('{}:{}'.format(danmu_time, d.text))
保存時應(yīng)注意,為了避免多次寫入csv標(biāo)題頭滨达,像這樣:
這里每窖,我寫了一個處理邏輯,大家看注釋弦悉,應(yīng)該能明白:
if os.path.exists(v_result_file): # 如果文件存在窒典,不需寫入字段標(biāo)題
header = None
else: # 如果文件不存在,說明是第一次新建文件稽莉,需寫入字段標(biāo)題
header = ['視頻地址', '彈幕地址', '彈幕時間', '彈幕內(nèi)容']
df.to_csv(v_result_file, encoding='utf_8_sig', mode='a+', index=False, header=header) # 數(shù)據(jù)保存到csv文件
三瀑志、代碼講解-情感分析部分
3.1 整體思路
針對情感分析需求,我主要做了三個步驟的分析工作:
- 用SnowNLP給彈幕內(nèi)容打標(biāo):積極污秆、消極劈猪,并統(tǒng)計占比情況
- 用jieba.analyse分詞,并統(tǒng)計top10高頻詞
- 用WordCloud繪制詞云圖
首先良拼,導(dǎo)入csv數(shù)據(jù)战得,并做數(shù)據(jù)清洗工作,不再贅述庸推。
下面常侦,正式進入情感分析代碼部分:
3.2 情感分析打標(biāo)
情感分析計算得分值、分類打標(biāo)贬媒,并統(tǒng)計積極/消極占比聋亡。
# 情感分析打標(biāo)
def sentiment_analyse(v_cmt_list):
"""
情感分析打分
:param v_cmt_list: 需要處理的評論列表
:return:
"""
score_list = [] # 情感評分值
tag_list = [] # 打標(biāo)分類結(jié)果
pos_count = 0 # 計數(shù)器-積極
neg_count = 0 # 計數(shù)器-消極
for comment in v_cmt_list:
tag = ''
sentiments_score = SnowNLP(comment).sentiments
if sentiments_score < 0.3:
tag = '消極'
neg_count += 1
else:
tag = '積極'
pos_count += 1
score_list.append(sentiments_score) # 得分值
tag_list.append(tag) # 判定結(jié)果
print('積極評價占比:', round(pos_count / (pos_count + neg_count), 4))
print('消極評價占比:', round(neg_count / (pos_count + neg_count), 4))
df['情感得分'] = score_list
df['分析結(jié)果'] = tag_list
# 把情感分析結(jié)果保存到excel文件
df.to_excel('谷愛凌_情感評分結(jié)果.xlsx', index=None)
print('情感分析結(jié)果已生成:谷愛凌_情感評分結(jié)果.xlsx')
這里,我設(shè)定情感得分值小于0.3為消極际乘,否則為積極坡倔。(這個分界線,沒有統(tǒng)一標(biāo)準(zhǔn),根據(jù)數(shù)據(jù)分布情況和分析經(jīng)驗自己設(shè)定分界線即可)
占比結(jié)果:
打標(biāo)結(jié)果:(最后兩列罪塔,分別是得分值和打標(biāo)結(jié)果)
3.3 統(tǒng)計top10高頻詞
# 2投蝉、用jieba統(tǒng)計彈幕中的top10高頻詞
keywords_top10 = jieba.analyse.extract_tags(v_cmt_str, withWeight=True, topK=10)
print('top10關(guān)鍵詞及權(quán)重:')
pprint(keywords_top10)
這里需要注意,在調(diào)用jieba.analyse.extract_tags函數(shù)時征堪,要導(dǎo)入的是import jieba.analyse 而不是 import jieba
統(tǒng)計結(jié)果為:(分為10組關(guān)鍵詞及其權(quán)重墓拜,權(quán)重按倒序排序)
3.4 繪制詞云圖
注意別踩坑:
想要通過原始圖片的形狀生成詞云圖,原始圖片一定要白色背景(實在沒有的話请契,PS修圖修一個吧)咳榜,否則生成的是滿屏詞云!爽锥!
def make_wordcloud(v_str, v_stopwords, v_outfile):
"""
繪制詞云圖
:param v_str: 輸入字符串
:param v_stopwords: 停用詞
:param v_outfile: 輸出文件
:return: None
"""
print('開始生成詞云圖:{}'.format(v_outfile))
try:
stopwords = v_stopwords # 停用詞
backgroud_Image = np.array(Image.open('谷愛凌背景圖.png')) # 讀取背景圖片
wc = WordCloud(
background_color="white", # 背景顏色
width=1500, # 圖寬
height=1200, # 圖高
max_words=1000, # 最多字?jǐn)?shù)
font_path='/System/Library/Fonts/SimHei.ttf', # 字體文件路徑涌韩,根據(jù)實際情況(Mac)替換
# font_path="C:\Windows\Fonts\simhei.ttf", # 字體文件路徑,根據(jù)實際情況(Windows)替換
stopwords=stopwords, # 停用詞
mask=backgroud_Image, # 背景圖片
)
jieba_text = " ".join(jieba.lcut(v_str)) # jieba分詞
wc.generate_from_text(jieba_text) # 生成詞云圖
wc.to_file(v_outfile) # 保存圖片文件
print('詞云文件保存成功:{}'.format(v_outfile))
except Exception as e:
print('make_wordcloud except: {}'.format(str(e)))
得到的詞云圖:
和原始背景圖對比:
3.5 情感分析結(jié)論
- 打標(biāo)結(jié)果中氯夷,積極評價占0.8871臣樱,遠遠大于消極評價!
- top10關(guān)鍵詞統(tǒng)計結(jié)果中腮考,"加油"雇毫、"厲害"、"天才"等好評詞匯占據(jù)多數(shù)踩蔚!
- 詞云圖中棚放,"中國"、"好"馅闽、"厲害"飘蚯、"臥槽"等好評詞看上去更大(詞頻高)!
綜上所述福也,經(jīng)分析"谷愛凌"相關(guān)彈幕局骤,得出結(jié)論:
眾多網(wǎng)友對谷愛凌的評價都很高,也很喜歡她暴凑,畢竟不但年輕峦甩、顏值高、有才華现喳,還能為祖國爭得寶貴的榮譽凯傲!
致敬!拿穴!
四泣洞、同步講解視頻
上集:(爬蟲采集)
https://www.zhihu.com/zvideo/1476299216318857217
下集:(情感分析)
https://www.zhihu.com/zvideo/1476300807759294464
by 馬哥python說