bilibili數(shù)據(jù)分析-彈幕語言分析
前面爬蟲爬取bilibili視頻信息進(jìn)行數(shù)文章中做了爬蟲的源代碼和思路以及基礎(chǔ)播放數(shù)據(jù)的思路，今天繼續(xù)上次的文章，對(duì)彈幕語言進(jìn)行分析。
1.載入所需要的庫包
#xml包里進(jìn)行解析的方法
import xml.etree.ElementTree as ET
import pandas as pd
import numpy as np
import jieba
#scipy中處理圖像的函數(shù)
from scipy.misc import imread
from wordcloud import WordCloud,ImageColorGenerator
import matplotlib.pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')
2.解析彈幕xml文件
定義解析xml的方法，獲取節(jié)點(diǎn)
#解析xml
def parseXml(file):
text_all = ''''''
tree = ET.parse(file)
#獲取節(jié)點(diǎn)
root = tree.getroot()
for child in root:
if child.tag == 'd':
text_all = text_all + child.text
return text_all
以B站敖廠長的“貪玩藍(lán)月”視頻彈幕作為事例
text_all = parseXml('tanwanlanyue.xml')
3.繪制詞云
載入準(zhǔn)備好的背景圖片和字體弥鹦，為詞云做美化
#設(shè)置背景圖片以及字體
back_color = imread('bilibili.png')
font = 'Tensentype-DouDouJ.ttf'
設(shè)置wordcloud的參數(shù)，背景顏色為白色爷辙，最大詞匯量會(huì)1000，面板遮罩為載入好的圖片朦促，字體膝晾。
# 獲取WordCloud對(duì)象
wc = WordCloud(background_color='white',
max_words=1000,
mask=back_color,
font_path = font,
random_state = 15 )
使用jieba分詞，生成迭代器务冕，載入數(shù)據(jù)為空格字符串血当。
# jieba分詞，形成有空格的字符串
word_list = []
word_generator = jieba.cut(text_all,cut_all=False)
for word in word_generator:
word_list.append(word)
text = ' '.join(word_list)
wc.generate(text)
繪制詞云圖片
plt.figure(figsize=(20,10))
plt.axis('off')
plt.imshow(wc)
以背景圖片的主色彩來做字體顏色
#獲取背景圖片的色彩
image_colors = ImageColorGenerator(back_color)
plt.figure(figsize=(20,10))
plt.imshow(wc.recolor(color_func=image_colors))
plt.axis('off')
plt.show()
4.彈幕情感分析
運(yùn)用準(zhǔn)備好的停用詞禀忆、情感詞臊旭、否定詞等詞典，載入對(duì)文本進(jìn)行處理
#載入停用詞
f=open('stopword.dic')
stopwords = f.readlines()
stopwords=[i.replace("\n","") for i in stopwords]
from collections import defaultdict
#載入情感詞
f1 =open("BosonNLP_sentiment_score.txt")
senList = f1.readlines()
senDict = defaultdict()
for s in senList:
s=s.replace("\n","")
senDict[s.split(' ')[0]] = float(s.split(' ')[1])
#載入否定詞
f2=open("notDict.txt")
notList = f2.readlines()
notList=[x.replace("\n","") for x in notList if x != '']
#載入程度副詞
f3=open("degreeDict.txt")
degreeList = f3.readlines()
degreeDict = defaultdict()
for d in degreeList:
degreeDict[d.split(',')[0]] = float(d.split(',')[1])
#將文本數(shù)據(jù)進(jìn)行分詞箩退，載入列表
def sent2word(sentence):
seglist = jieba.cut(sentence)
segResult = []
for w in seglist:
segResult.append(w)
newSent = []
#如果詞匯是在停用詞中离熏，則過濾掉
for word in segResult:
if word in stopwords:
continue
else:
newSent.append(word)
return newSent
t = []
t.append(sent2word(text_all))
#評(píng)分方法
def word_score(word_list):
id = []
for i in word_list:
if i in senDict.keys():
id.append(1)
elif i in notList:
id.append(2)
elif i in degreeDict.keys():
id.append(3)
word_nake = []
for i in word_list:
if i in senDict.keys():
word_nake.append(i)
elif i in notList:
word_nake.append(i)
elif i in degreeDict.keys():
word_nake.append(i)
score = 0
w = 1
score0 = 0
for i in range(len(id)):
if id[i] == 1:
score0 = w*senDict[word_nake[i]]
w = 1
elif id[i] == 2:
w = -1
elif id[i] == 3:
w = w*degreeDict[word_nake[i]]
score = score+score0
score0 = 0
return score
導(dǎo)出為DataFrame便于處理數(shù)據(jù)。
score_list = []
for i in t[0]:
score_list.append(class_score(i))
score_df = pd.DataFrame()
score_df['word'] = t[0]
score_df['score'] = score_list
score_df = score_df.drop_duplicates('word',keep='first')
這是負(fù)面評(píng)分評(píng)價(jià)戴涝，分值越低越消極：
這是正面評(píng)分評(píng)價(jià)（充滿了譏諷-笑）滋戳，分值越高越積極：
5.bilibili人氣視頻彈幕分析
1.咬人貓-極樂凈土 播放量1336.6W
作為舞蹈區(qū)的播放量大人，視頻播放量一直在B站居高不下啥刻，up主咬人貓一直以可愛的形象出現(xiàn)在視頻中奸鸯，也因此收獲了一大批粉絲。
詞云：
看到了大大的“啊啊啊”可帽，“喜歡”娄涩，也代表了彈幕對(duì)于這一視頻的主要情感和文字。
情感分析：
整體趨于平滑映跟，情感更偏向于喜歡蓄拣。
特別在這里解釋一下扬虚，“prprprpr”是舔屏的擬聲詞，ssr是陰陽師的鬼神等級(jí)弯蚜，為最高等級(jí)孔轴。負(fù)面情感中“啊啊啊”，“咋辦”碎捺，“吐血”路鹰，“困住”其實(shí)是表達(dá)對(duì)于這一視頻里的妹子有多吸引人，無法自拔收厨，咋辦晋柱，吐血，被視頻困住的意思诵叁。
2.面筋哥x波瀾哥-我的烤面筋融化你的心 播放量610.2W
面筋哥可謂是三月份B站最火的人雁竞，和波瀾哥，李根拧额，高音哥并稱“追夢四人組”碑诉，經(jīng)過鬼畜區(qū)大佬的調(diào)教和制作，將面筋哥和波瀾哥合體為“義結(jié)筋瀾”的歌曲
詞云：
其中“Microsoft YaHei”侥锦、“SimHei true”进栽、“Yahei true”是高級(jí)彈幕的設(shè)置文件（大部分內(nèi)容為歌詞），在此沒有做更多的處理恭垦，AlanWalk是目前世界DJ電音界的牛人快毛，在此視頻中由此調(diào)侃AlanWalk看中了面筋哥和波瀾哥，以達(dá)到娛樂效果番挺。
情感分析：
負(fù)極情感詞匯其實(shí)很多都沒有太多表達(dá)的意思唠帝，咳咳更多的其實(shí)是表示一種不可言說的意義。
2.敖廠長-變態(tài)做出來的游戲 播放量427.0W
敖廠長是游戲區(qū)一股清流玄柏，運(yùn)用獨(dú)有的游戲知識(shí)深度和風(fēng)趣的解說方式襟衰，一直位列游戲區(qū)前列，做過很多童年時(shí)候玩過或者聽過的游戲粪摘，深度揭秘其中的秘密和故事右蒲。
詞云：
整個(gè)詞云充斥著變態(tài)、臥槽赶熟，沙耶之歌是日本一款反式轉(zhuǎn)角游戲瑰妄，主角因?yàn)槠湟暯遣煌吹降氖澜缫卜譃楝F(xiàn)實(shí)和血腥世界映砖。
情感分析：
6.總結(jié)
其實(shí)可以看出间坐，B站整體彈幕風(fēng)格還是以積極風(fēng)趣、玩笑一樂為主，這也其實(shí)代表了當(dāng)下很多年輕人所希望的心理狀態(tài)竹宋，在現(xiàn)實(shí)世界認(rèn)真的活著劳澄，在虛擬的一面又很風(fēng)趣的傳達(dá)快樂。
B站的彈幕已經(jīng)逐漸發(fā)展蜈七，超越“論壇”這一緩慢形式的正式交談秒拔，形成了高速流式的非正式隨機(jī)娛樂。因?yàn)榻邮芏群蛢?nèi)容理解度的降低飒硅，B站的受眾群體往往是較為年輕的一代砂缩，但其實(shí)很多梗或者彈幕中的段子所需要的理解力三娩，也逐漸的提升庵芭。這會(huì)為年輕一代對(duì)于新鮮事物的接受度，自我認(rèn)知雀监，善惡識(shí)別等双吆，形成重要的渠徑。這也是需要B站對(duì)于彈幕文化的把控和引導(dǎo)会前。
ps.因?yàn)楹髢蓚€(gè)的分詞數(shù)據(jù)沒有做壓縮好乐，出現(xiàn)了大量的“6666666666”的詞匯，導(dǎo)致整體函數(shù)圖像上揚(yáng)瓦宜。后期會(huì)加上更改曹宴，運(yùn)用正則進(jìn)行壓縮。
