Python采集B站最新周杰伦MV内容, 粉丝评论并实现词云分析

python芊 2022-07-13 发布于湖南

展开全文

前言

大家早好、午好、晚好吖~

环境使用:

Python 3.8
Pycharm 2021.2版本
ffmpeg <需要设置环境变量>

模块使用:

import requests >>> pip install requests

内置模块你安装好python环境就可以了

import re
import json
import subprocess

如果安装python第三方模块:

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令

基本思路流程:

采集视频数据.... 1. 视频标题 2. 视频内容

1、对着网页鼠标右键点击查看网页源代码 ctrl + F 搜索 playinfo

代码实现步骤: <通用>

发送请求, 模拟浏览器对于url地址发送请求
获取数据, 获取网页源代码 <因为我们想要数据内容, 来自于网页源代码>
解析数据, 提取我们想要数据内容
保存数据, 把视频内容完整的保存到本地文件夹

代码

采集视频

# 导入数据请求模块
import requests
# 导入正则
import re
# 导入json
import json
# 导入格式化输出模块
import pprint
# 导入进程模块
import subprocess

"""

发送请求

模拟浏览器对于url地址发送请求
"""

# 确定网址
url = 'https://www.bilibili.com/video/BV1ua411p7iA?vd_source=b2da3931eefc454d41eb6bb5b34749d1'
# python代码如何模拟浏览器? 请求头 ---> 用伪装python代码
headers = {
    # referer 防盗链 告诉服务器请求url地址是从哪里跳过过来
    'referer': 'https://www.bilibili.com/',
    # user-agent 用户代理 表示浏览器基本身份标识
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}
# 发送请求  ---> 得到响应对象 200 状态码表示请求成功
response = requests.get(url=url, headers=headers)
# <Response [200]>
print(response)

获取数据

# 获取数据 得到响应对象文本数据 ---> 字符串数据类型
# print(response.text)

"""

解析数据

提取我们想要数据内容
正则表达式 re ---> 对于字符串数据进行提取
---> 0 1 2 开始计数 -3 -2 -1<---
lis = ['a', 'b', 'c'] lis[0] lis[-3]

re.findall() --> 匹配数据返回列表数据类型列表取值: 根据索引位置提取内容
re 模块名
.findall() 调用re模块里面findall()方法 --> 找到所有 <我们想要数据>
从什么地方去找什么数据
从 response.text 里面去找 "title":"(.?)","pubdate" 其中 (.?) 这段是我们想要的
"""

源码、解答、教程可加Q裙：832157862
# 获取标题
title = re.findall('"title":"(.*?)","pubdate"', response.text)[0].replace(' ', '')
# 正则替换特殊字符
title = re.sub(r'[\/:*?"<>|]', '', title)
# 获取shipin数据信息
html_data = re.findall('<script>window.__playinfo__=(.*?)</script>', response.text)[0]
# 转成json字典数据类型
json_data = json.loads(html_data)
# 字典取值 --> 键值对取值, 根据冒号左边内容[键]  提取冒号右边的内容[值]
audio_url = json_data['data']['dash']['audio'][0]['baseUrl']
video_url = json_data['data']['dash']['video'][0]['baseUrl']
print(audio_url)
print(video_url)
print(title)

保存数据

--> 403 Forbidden 没有访问权限 --> 防盗链加headers请求头

# 发送请求 获取音频二进制数据
audio_content = requests.get(url=audio_url, headers=headers).content
# 发送请求 获取视频二进制数据
# video__content = requests.get(url=video_url, headers=headers).content
# with open('video\\' + title + '.mp3', mode='wb') as a:
#     a.write(audio_content)
# with open('video\\' + title + '.mp4', mode='wb') as v:  # 丨
#     v.write(video__content)

# 通过ffmpeg 这个软件命令 进行视频合成
cmd = f"ffmpeg -i video\\{title}.mp4 -i video\\{title}.mp3 -c:v copy -c:a aac -strict experimental video\\{title}output.mp4"
subprocess.run(cmd, shell=True)

采集评论

源码、解答、教程可加Q裙：832157862
# 导入数据请求模块
import time

import requests

for page in range(1, 11):
    # 请求网址
    time.sleep(1)
    url = f'https://api.bilibili.com/x/v2/reply/main?csrf=9b972b9803693b4f5c0d6a042b2d0c0e&mode=3&next={page}&oid=215631694&plat=1&type=1'
    # 请求头
    headers = {
        # 'origin': 'https://www.bilibili.com',
        'referer': 'https://www.bilibili.com/video/',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36',
    }
    # 发送请求
    response = requests.get(url=url, headers=headers)
    # 获取数据
    content_list = [i['content']['message'] for i in response.json()['data']['replies']]
    print(content_list)
    # for 遍历输出内容
    for content in content_list:
        with open('评论.txt', mode='a', encoding='utf-8') as f:
            f.write(content)
            f.write('\n')
        print(content)

制作词云

# 导入结巴分词模块
import jieba
# 导入词云模块
import wordcloud
# 读取文件内容
f = open('评论.txt', encoding='utf-8')
txt = f.read()
print(txt)
string = ' '.join(jieba.lcut(txt))
print(string)
wc = wordcloud.WordCloud(
    width=700,   # 宽
    height=700,  # 高
    background_color='white',  # 背景颜色
    font_path='msyh.ttc',  # 设置字体
    scale=15,  # 规模
)
wc.generate(string)
wc.to_file('评论词云.png')