「爬虫情感判定 Top10高频词词云图」热门弹幕python舆情分析

网摘文苑 2022-05-11 发布于新疆

展开全文

一、背景介绍

最近一段时间，刘畊宏真是火出了天际，引起一股全民健身的热潮，毕竟锻炼身体，是个好事！

针对此热门事件，我用Python的爬虫和情感分析技术，针对小破站的弹幕数据，分析了众多网友弹幕的舆论导向，下面我们来看一下，是如何实现的分析过程。

二、代码讲解-爬虫部分

2.1 分析弹幕接口

首先分析B站弹幕接口。

经过分析，得到的弹幕地址有两种：

第一种：http://comment.bilibili.com/{cid}.xml
第二种：https://api.bilibili.com/x/v1/dm/list.so?oid={cid}

这两种返回的结果一致！但都不全，都是只有部分弹幕！

以B站视频 https://www.bilibili.com/video/BV1Pa411v7vg 为例，查看网页源代码，可以找到对应的cid为574147025，所以该视频对应的弹幕接口地址是：http://comment.bilibili.com/574147025.xml

既然这样，就好办了，开始撸代码！

2.2 讲解爬虫代码

首先，导入需要用到的库：

import re  # 正则表达式提取文本import requests  # 爬虫发送请求from bs4 import BeautifulSoup as BS  # 爬虫解析页面import timeimport pandas as pd  # 存入csv文件import os

然后，向视频地址发送请求，解析出cid号：

r1 = requests.get(url=v_url, headers=headers)html1 = r1.textcid = re.findall('cid=(.*?)&aid=', html1)[0]  # 获取视频对应的cid号print('该视频的cid是:', cid)

根据cid号，拼出xml接口地址，并再次发送请求：

danmu_url = 'http://comment.bilibili.com/{}.xml'.format(cid)  # 弹幕地址print('弹幕地址是：', danmu_url)r2 = requests.get(danmu_url)

解析xml页面：标签的文本内容为弹幕，标签内p属性值（按逗号分隔）的第四个字段是时间戳：

soup = BS(html2, 'xml')danmu_list = soup.find_all('d')print('共爬取到{}条弹幕'.format(len(danmu_list)))video_url_list = []  # 视频地址danmu_url_list = []  # 弹幕地址time_list = []  # 弹幕时间text_list = []  # 弹幕内容for d in danmu_list:	data_split = d['p'].split(',')  # 按逗号分隔	temp_time = time.localtime(int(data_split[4]))  # 转换时间格式	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))

保存时应注意，为了避免多次写入csv标题头，像这样：

这里，我写了一个处理逻辑，大家看注释，应该能明白：

if os.path.exists(v_result_file):  # 如果文件存在，不需写入字段标题	header = Noneelse:  # 如果文件不存在，说明是第一次新建文件，需写入字段标题	header = ['视频地址', '弹幕地址', '弹幕时间', '弹幕内容']df.to_csv(v_result_file, encoding='utf_8_sig', mode='a+', index=False, header=header)  # 数据保存到csv文件

需要注意的是，encoding参数赋值为utf_8_sig，不然csv内容可能会产生乱码，避免踩坑！

三、代码讲解-情感分析部分

3.1 整体思路

针对情感分析需求，我主要做了三个步骤的分析工作：

用SnowNLP给弹幕内容打标：积极、消极，并统计占比情况
用jieba.analyse分词，并统计top10高频词
用WordCloud绘制词云图
首先，导入csv数据，并做数据清洗工作，不再赘述。

下面，正式进入情感分析代码部分：

3.2 情感分析打标

情感分析计算得分值、分类打标，并画出饼图。

# 情感判定for comment in v_cmt_list:	tag = ''	sentiments_score = SnowNLP(comment).sentiments	if sentiments_score < 0.5:		tag = '消极'		neg_count += 1	elif sentiments_score > 0.5:		tag = '积极'		pos_count += 1else:		tag = '中性'		mid_count += 1	score_list.append(sentiments_score)  # 得分值	tag_list.append(tag)  # 判定结果df['情感得分'] = score_listdf['分析结果'] = tag_list

这里，我设定情感得分值小于0.5为消极，大于0.5为积极，等于0.5为中性。（这个分界线，没有统一标准，根据数据分布情况和分析经验自己设定分界线即可）

情感判定结果：

画出占比饼图的代码：

grp = df['分析结果'].value_counts()print('正负面评论统计：')print(grp)grp.plot.pie(y='分析结果', autopct='%.2f%%')  # 画饼图plt.title('刘畊宏弹幕_情感分布占比图')plt.savefig('刘畊宏弹幕_情感分布占比图.png')  # 保存图片

饼图结果：

从占比结果来看，大部分网友还是很认可刘畊宏的。

3.3 统计top10高频词

代码如下：

# 2、用jieba统计弹幕中的top10高频词keywords_top10 = jieba.analyse.extract_tags(v_cmt_str, withWeight=True, topK=10)print('top10关键词及权重：')pprint(keywords_top10)

这里需要注意，在调用jieba.analyse.extract_tags函数时，要导入的是import jieba.analyse 而不是 import jieba

统计结果为：（分为10组关键词及其权重，权重按倒序排序）

3.4 绘制词云图

注意别踩坑：

想要通过原始图片的形状生成词云图，原始图片一定要白色背景（实在没有的话，PS修图修一个吧），否则生成的是满屏词云！！

try:	stopwords = v_stopwords  # 停用词	backgroud_Image = np.array(Image.open('刘畊宏_背景图.png'))  # 读取背景图片	wc = WordCloud(		background_color='white',  # 背景颜色		width=1500,  # 图宽		height=1200,  # 图高		max_words=1000,  # 最多字数		font_path='/System/Library/Fonts/SimHei.ttf',  # 字体文件路径，根据实际情况(Mac)替换		# font_path='C:\Windows\Fonts\simhei.ttf',  # 字体文件路径，根据实际情况(Windows)替换		stopwords=stopwords,  # 停用词		mask=backgroud_Image,  # 背景图片	)	jieba_text = ' '.join(jieba.lcut(v_str))  # jieba分词	wc.generate_from_text(jieba_text)  # 生成词云图	wc.to_file(v_outfile)  # 保存图片文件	print('词云文件保存成功：{}'.format(v_outfile))except Exception as e:	print('make_wordcloud except: {}'.format(str(e)))

得到的词云图，和原始背景图对比一下：