Python文本分析“王心淩”彈幕示範案例，包含步驟：爬蟲+情感判定+情感占比餅圖+Top10高頻詞+詞雲圖。
目錄
- 一、背景介紹
- 二、代碼講解-爬蟲部分
- 2.1 分析彈幕接口
- 2.2 講解爬蟲代碼
- 三、代碼講解-情感分析部分
- 3.1 整體思路
- 3.2 情感分析打标
- 3.3 統計top10高頻詞
- 3.4 繪制詞雲圖
- 3.5 情感分析結論
- 四、同步示範視訊
一、背景介紹
最近一段時間，王心淩在浪姐3的表現格外突出，喚醒了一大批沉睡中的老粉，紛紛直呼'爺青回'！
針對此熱門事件，我用Python的爬蟲和情感分析技術，針對小破站的彈幕資料，分析了衆多網友彈幕的輿論導向，下面我們來看一下，是如何實作的分析過程。
二、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。
經過分析，得到的彈幕位址有兩種：
第一種：http://comment.bilibili.com/{cid}.xml
第二種：https://api.bilibili.com/x/v1/dm/list.so?oid={cid}
這兩種傳回的結果一緻！但都不全，都是隻有部分彈幕！
以B站視訊 https://www.bilibili.com/video/BV1qY4y157dz 為例，檢視網頁源代碼，可以找到對應的cid為727777486，是以該視訊對應的彈幕接口位址是：https://comment.bilibili.com/727777486.xml
既然這樣，就好辦了，開始撸代碼！
2.2 講解爬蟲代碼
首先，導入需要用到的庫：
import re # 正規表達式提取文本
import requests # 爬蟲發送請求
from bs4 import BeautifulSoup as BS # 爬蟲解析頁面
import time
import pandas as pd # 存入csv檔案
import os
然後，向視訊位址發送請求，解析出cid号：
r1 = requests.get(url=v_url, headers=headers)
html1 = r1.text
cid = re.findall('cid=(.*?)&aid=', html1)[0] # 擷取視訊對應的cid号
print('該視訊的cid是:', cid)
根據cid号，拼出xml接口位址，并再次發送請求：
danmu_url = 'http://comment.bilibili.com/{}.xml'.format(cid) # 彈幕位址
print('彈幕位址是：', danmu_url)
r2 = requests.get(danmu_url)
解析xml頁面：标簽的文本内容為彈幕，标簽内p屬性值（按逗号分隔）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 = [] # 視訊位址
danmu_url_list = [] # 彈幕位址
time_list = [] # 彈幕時間
text_list = [] # 彈幕内容
for d in danmu_list:
data_split = d['p'].split(',') # 按逗号分隔
temp_time = time.localtime(int(data_split[4])) # 轉換時間格式
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))
儲存時應注意，為了避免多次寫入csv标題頭，像這樣：
這裡，我寫了一個處理邏輯，大家看注釋，應該能明白：
if os.path.exists(v_result_file): # 如果檔案存在，不需寫入字段标題
header = None
else: # 如果檔案不存在，說明是第一次建立檔案，需寫入字段标題
header = ['視訊位址', '彈幕位址', '彈幕時間', '彈幕内容']
df.to_csv(v_result_file, encoding='utf_8_sig', mode='a+', index=False, header=header) # 資料儲存到csv檔案
需要注意的是，encoding參數指派為utf_8_sig，不然csv内容可能會産生亂碼，避免踩坑！
三、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給彈幕内容打标：積極、消極，并統計占比情況
- 用jieba.analyse分詞，并統計top10高頻詞
- 用WordCloud繪制詞雲圖
首先，導入csv資料，并做資料清洗工作，不再贅述。
下面，正式進入情感分析代碼部分：
3.2 情感分析打标
情感分析計算得分值、分類打标，并畫出餅圖。
# 情感判定
for comment in v_cmt_list:
tag = ''
sentiments_score = SnowNLP(comment).sentiments
if sentiments_score < 0.5:
tag = '消極'
neg_count += 1
elif sentiments_score > 0.5:
tag = '積極'
pos_count += 1
else:
tag = '中性'
mid_count += 1
score_list.append(sentiments_score) # 得分值
tag_list.append(tag) # 判定結果
df['情感得分'] = score_list
df['分析結果'] = tag_list
這裡，我設定情感得分值小于0.5為消極，大于0.5為積極，等于0.5為中性。（這個分界線，沒有統一标準，根據資料分布情況和分析經驗自己設定分界線即可）
情感判定結果：
畫出占比餅圖的代碼：
grp = df['分析結果'].value_counts()
print('正負面評論統計：')
print(grp)
grp.plot.pie(y='分析結果', autopct='%.2f%%') # 畫餅圖
plt.title('王心淩彈幕_情感分布占比圖')
plt.savefig('王心淩彈幕_情感分布占比圖.png') # 儲存圖檔
餅圖結果：
從占比結果來看，大部分網友還是很認可王心淩的。
3.3 統計top10高頻詞
代碼如下：
# 2、用jieba統計彈幕中的top10高頻詞
keywords_top10 = jieba.analyse.extract_tags(v_cmt_str, withWeight=True, topK=10)
print('top10關鍵詞及權重：')
pprint(keywords_top10)
這裡需要注意，在調用jieba.analyse.extract_tags函數時，要導入的是import jieba.analyse 而不是 import jieba
統計結果為：
3.4 繪制詞雲圖
注意别踩坑：
想要通過原始圖檔的形狀生成詞雲圖，原始圖檔一定要白色背景（實在沒有的話，PS修圖修一個吧），否則生成的是滿屏詞雲！！
try:
stopwords = v_stopwords # 停用詞
backgroud_Image = np.array(Image.open('王心淩_背景圖.png')) # 讀取背景圖檔
wc = WordCloud(
background_color="white", # 背景顔色
width=1500, # 圖寬
height=1200, # 圖高
max_words=1000, # 最多字數
font_path='/System/Library/Fonts/SimHei.ttf', # 字型檔案路徑，根據實際情況(Mac)替換
# font_path="C:\Windows\Fonts\simhei.ttf", # 字型檔案路徑，根據實際情況(Windows)替換
stopwords=stopwords, # 停用詞
mask=backgroud_Image, # 背景圖檔
)
jieba_text = " ".join(jieba.lcut(v_str)) # jieba分詞
wc.generate_from_text(jieba_text) # 生成詞雲圖
wc.to_file(v_outfile) # 儲存圖檔檔案
print('詞雲檔案儲存成功：{}'.format(v_outfile))
except Exception as e:
print('make_wordcloud except: {}'.format(str(e)))
得到的詞雲圖，如下：
和原始圖檔對比：
3.5 情感分析結論
- 打标結果中，積極和中性評價占約74%，遠遠大于消極評價！
- top10關鍵詞統計結果中，"哈哈哈"、"啊啊啊"、"王心淩"、"甜心"、"可愛"等好評詞彙占據多數！
- 詞雲圖中，"好甜"、"愛"、"甜"、"青春"等好評詞看上去更大（詞頻高）！
綜上所述，經分析"王心淩"相關彈幕，得出結論：
衆多網友對王心淩的評價都很高，畢竟誰能不愛甜妹呢，"甜心教主"的名号真不是蓋的！
四、同步示範視訊
示範代碼執行過程：
https://www.zhihu.com/zvideo/1516442497433235456
by 馬哥python說