cxa,有着丰富的爬虫工作经验,公众号Python学习开发,擅长各种爬虫技术,熟悉大规模爬虫开发。热爱并喜欢钻研python。
改革春风吹满地,中国人民真争气。
2018年年末,“改革春风吹满地”火了。这是一个来自哔哩哔哩的一个鬼畜类音乐视频。
由up主小可儿上传,目前播放量已达到1400多万,有着相当高的热度。该视频剪辑了赵本山的历年作品的经典台词,配以略带喜感的音乐(bgm由其他up主制作),每一句台词衔接的相当完美。在网易云音乐里也可以搜到同名音乐,另有别名「念诗之王」,网易云音乐的一位名为A96ccA的这样听众评论道:
第一遍:这是啥玩意? 第二遍:嗯,还可以 第三遍:改革春风吹满地…
可以看出同样的是一首洗脑的音乐。
下面让我先来欣赏(再度洗脑)一下。
下面就让我们爬取b站上该视频的评论内容,并进行分析为什么这个视频会如此的火。
数据下载
首先我们打开视频:https://www.bilibili.com/video/av19390801.
然后找到评论部分,打开谷歌浏览器的控制台,查看network选项的请求信息。通过观察我们发现了这样的链接:https://api.bilibili.com/x/v2/reply?callback=jQuery17204794190151297566_1546432727230&jsonp=jsonp&pn=1&type=1&oid=19390801&sort=0&_=1546432740370
去掉没有用的信息最后我们得到最终的url形式为:https://api.bilibili.com/x/v2/reply?pn={pn}&type=1&oid=19390801
其中pn为第几页,目前看到评论有1129页,这些数据我们用作简单的数据分析基本够用了。
下面就可以编写我们的代码了,这里我采取的是异步网络请求模块aiohttp。然后保存下了每条评论的所以网页可以得到的信息,后期获取每条评论的内容,为后面数据分析使用
下面是主要爬取逻辑
base_url = "https://api.bilibili.com/x/v2/reply?pn={pn}&type=1&oid=19390801" async def fetch(url): async with sem: #并发个数控制 async with aiohttp.ClientSession() as session: #创建session with async_timeout.timeout(10): #等10s async with session.get(url) as res: data = await res.json()#通过await获取异步过程中的数据 print(data) await asyncio.sleep(2)#加个异步等待防止被封。 await save_data(glom.glom(data, "data.replies"))#glom模块json数据解析用。
这里需要用到以下模块,使用pip install即可安装
aiohttp async_timeout uvloop(windows就不用了,只支持unix系统) glom
需要说明的是之前我就是因为没有加等待时间,所以被b站这个接口的链接给封了,造成的现象就是视频可以看但是评论是刷新不出来的,挺有意思的。关于aiohttp的使用方法。
到这里数据下载逻辑就完事了,下面是数据存储逻辑。
数据存储
因为上面的下载的结果是json格式,所以首先数据库就是mongodb,这里为了统一使用了异步mongo数据模块motor,一个基于事件循环的模块。
首先创建数据链接
class MotorBase: _db = {} _collection = {} def __init__(self, loop=None): self.motor_uri = '' self.loop = loop or asyncio.get_event_loop() def client(self, db): self.motor_uri = f"mongodb://localhost:27017/{db}" return AsyncIOMotorClient(self.motor_uri, io_loop=self.loop) def get_db(self, db='weixin_use_data'): if db not in self._db: self._db[db] = self.client(db)[db] return self._db[db]
这里使用模块有:
asyncio motor
然后开始使用类似pymongo的方式插入数据,具体代码如下
async def save_data(items): mb = MotorBase().get_db('weixin_use_data') #获取链接对象,weixin_use_data是我的数据库名。 for item in items: try: await mb.bilibili_comments.update_one({ 'rpid': item.get("rpid")}, {'$set': item}, upsert=True)#bilibili_comments是我的表名,update_one方法的作用是不存在就插入存在更新。 except Exception as e: print("数据插入出错", e.args,"此时的item是",item)
然后通过执行这个事件循环,事件循环是这里所有异步的基础。
loop = asyncio.get_event_loop()#创建一个事件循环 loop.run_until_complete(get_data())#开始运行直到程序结束
数据解析
上面我们拿到了作出数据,但是数据都是json格式的,而且量很大,我们需要的只有评论内容,所以我们需要进一步对数据进行处理,同样的这里我也使用了文件读写异步模块aiofiles
。
这部分代码量也很少,用法和open file差不多,多了些异步的形式而已。
首先读取mongo里的数据
async def get_data(): mb = MotorBase().get_db('weixin_use_data') data=mb.bilibili_comments.find() return data
读取还是用的motor模块为了配合后面的文件读入使用。
async def m2f(): data = await get_data() async for item in data: t = item.get("content").get("message").strip() fs = await aiofiles.open(pathlib.Path.joinpath(pathlib.Path.cwd().parent, "msg.txt"), 'a+')#pathlib路径拼接 await fs.write(t)
到目前为止数据获取部分基本结束了,后面就是对上面的文本文件进行分析了。
数据分析
为了清晰的表达数据所带来的信息,对于评论信息,我们选用直观的方式--词云图
安装包
jieba wordcloud matplotlib
生成词云需要用的图
进群:960410445 即可获取数十套PDF!
字体文件
mac中默认字体显示乱码,这里指定了别的字体msyhbd.ttf,网上随便搜了一个,windows可以或其他系统支持字体即可
停用词设置
经过分析大概设置了如下停用词:
哈 哈哈 哈哈哈 xa0 一个 u3000 什么 视频 这个 up 看到 怎么 播放 真的 知道 已经 改革 春风 满地 鬼畜 抖音 现在 春晚 千万 助攻
停用词设置是为了去除一些没有意义的词,比如这个,那个之类的。或者当前文件的标题
代码如下
# -*- coding: utf-8 -*- # @Time : 2019/1/2 7:52 PM # @Author : cxa # @File : cutword.py # @Software: PyCharm # coding=utf-8 import jieba import matplotlib.pyplot as plt from wordcloud import WordCloud # 获取所有评论 comments = [] with open('msg.txt', mode='r', encoding='utf-8') as f: rows = f.readlines() for row in rows: comments.append(row) # 设置分词 comment_after_split = jieba.cut(str(comments), cut_all=False) #分词,cut_all=false words = ' '.join(comment_after_split) # 以空格进行拼接 # 设置屏蔽词 STOPWORDS = set(map(str.strip, open('stopwords').readlines())) print(STOPWORDS) # 导入背景图 bg_image = plt.imread('1.jpeg') # 设置词云参数,参数分别表示:画布宽高、背景颜色、背景图形状、字体,屏蔽词、最大词的字体大小 wc = WordCloud(width=2024, height=1400, background_color='white', mask=bg_image,font_path='msyhbd.ttf',stopwords=STOPWORDS, max_font_size=400, random_state=50) # 将分词后数据传入云图 wc.generate_from_text(words) plt.imshow(wc) plt.axis('off') # 不显示坐标轴 plt.show() # 保存结果到本地 wc.to_file('ggcfcmd.jpg')
最终结果
由此可以看出这视频最重要的还是洗脑,导致进来就出不去了,同样的也是追忆本山大叔多年来带给大家的无数快乐时光,总之洗脑就完事了。