【爬虫+数据清洗+可视化分析】Python文本分析《狂飙》电视剧的哔哩哔哩评论
一、背景介绍
把《狂飙》换成其他影视剧，套用代码即可得分析结论！
2023《狂飙》热播剧引发全民追剧，不仅全员演技在线，且符合主旋律，创下多个收视记录！
基于此热门事件，我用python抓取了B站上千条评论，并进行可视化舆情分析。
二、爬虫代码
2.1 展示爬取结果
首先，看下部分爬取数据：
爬取字段含：视频链接、评论页码、评论作者、评论时间、IP属地、点赞数、评论内容。
2.2 爬虫代码讲解
导入需要用到的库：
import requests # 发送请求
import pandas as pd # 保存csv文件
import os # 判断文件是否存在
import time
from time import sleep # 设置等待，防止反爬
import random # 生成随机数
定义一个请求头：
# 请求头
headers = {'authority': 'api.bilibili.com','accept': 'application/json, text/plain, */*','accept-language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',# 需定期更换cookie，否则location爬不到'cookie': "需换成自己的cookie值",'origin': 'https://www.bilibili.com','referer': 'https://www.bilibili.com/video/BV1FG4y1Z7po/?spm_id_from=333.337.search-card.all.click&vd_source=69a50ad969074af9e79ad13b34b1a548','sec-ch-ua': '"Chromium";v="106", "Microsoft Edge";v="106", "Not;A=Brand";v="99"','sec-ch-ua-mobile': '?0','sec-ch-ua-platform': '"Windows"','sec-fetch-dest': 'empty','sec-fetch-mode': 'cors','sec-fetch-site': 'same-site','user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.47'
}
请求头中的cookie是个很关键的参数，如果不设置cookie，会导致数据残缺或无法爬取到数据。
那么cookie如何获取呢？打开开发者模式，见下图：
由于评论时间是个十位数：
所以开发一个函数用于转换时间格式：
def trans_date(v_timestamp):"""10位时间戳转换为时间字符串"""timeArray = time.localtime(v_timestamp)otherStyleTime = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)return otherStyleTime
向B站发送请求：
response = requests.get(url, headers=headers, ) # 发送请求
接收到返回数据了，怎么解析数据呢？看一下json数据结构：
0-19个评论，都存放在replies下面，replies又在data下面，所以，这样解析数据：
data_list = response.json()['data']['replies'] # 解析评论数据
这样，data_list里面就是存储的每条评论数据了。
接下来吗，就是解析出每条评论里的各个字段了。
我们以评论内容这个字段为例：
comment_list = [] # 评论内容空列表
# 循环爬取每一条评论数据
for a in data_list:# 评论内容comment = a['content']['message']comment_list.append(comment)
其他字段同理，不再赘述。
最后，把这些列表数据保存到DataFrame里面，再to_csv保存到csv文件，持久化存储完成：
# 把列表拼装为DataFrame数据
df = pd.DataFrame({'视频链接': 'https://www.bilibili.com/video/' + v_bid,'评论页码': (i + 1),'评论作者': user_list,'评论时间': time_list,'IP属地': location_list,'点赞数': like_list,'评论内容': comment_list,
})
# 把评论数据保存到csv文件
df.to_csv(outfile, mode='a+', encoding='utf_8_sig', index=False, header=header)
注意，加上encoding=‘utf_8_sig’，否则可能会产生乱码问题！
下面，是主函数循环爬取部分代码：（支持多个视频的循环爬取）
# 随便找了几个"狂飙"相关的视频ID
bid_list = ['BV1Hx4y1E7QP', 'BV1Ev4y1r737', 'BV19x4y177ni']
# 评论最大爬取页（每页20条评论）
max_page = 50
# 循环爬取这几个视频的评论
for bid in bid_list:# 输出文件名outfile = 'b站评论_{}.csv'.format(now)# 转换aidaid = bv2av(bid=bid)# 爬取评论get_comment(v_aid=aid, v_bid=bid)
三、可视化代码
为了方便看效果，以下代码采用jupyter notebook进行演示。
3.1 读取数据
用read_csv读取刚才爬取的B站评论数据：
查看前3行及数据形状：
3.2 数据清洗
处理空值及重复值：
3.3 可视化
3.3.1 IP属地分析-柱形图
可得结论：TOP10地区中，评论里关注度最高为广东、山东、江苏等地区，其中，广东省的关注度最高。
3.3.2 评论时间分析-折线图
分析出评论时间的分布情况：
可得结论：关于"狂飙"这个话题，在抓取到的数据范围内，2月2日的评论数据量最大，网友讨论最热烈，达到了将近1200的数量峰值。
3.3.3 点赞数分布-直方图
由于点赞数大部分为0或个位数情况，个别点赞数到达成千上万，直方图展示效果不佳，因此，仅提取点赞数<30的数据绘制直方图。
可得结论：从直方图的分布来看，点赞数在0-3个的评论占据大多数，很少点赞数达到了上千上万的情况。证明网友对狂飙这部作品的态度分布比较均匀，没有出现态度非常聚集的评论内容。
3.3.4 评论内容-情感分布饼图
针对中文评论数据，采用snownlp开发情感判定函数：
情感分布饼图，如下：
可得结论：关于狂飙这部电视剧，网友的评论情感以正面居多，占据了70.43%，说明这部电视剧获得了网友们很高的评价。
3.3.5 评论内容-词云图
除了哈工大停用词之外，还新增了自定义停用词：
jieba分词之后，对分词后数据进行绘制词云图：
可得结论：在词云图中，狂飙、高启强、黄瑶、安欣、结局等词汇较大，出现频率较高，反应出众多网友对狂飙这部电视剧的剧情讨论热度很高。
附原始背景图，可对比看：（需要先人物抠图）
四、演示视频
代码演示视频：
https://www.bilibili.com/video/BV1D8411T7dm
五、附完整源码
完整源码，微信公众号"老男孩的平凡之路"后台回复"狂飙"即可获取。
点击直达：【爬虫+数据清洗+可视化分析】舆情分析哔哩哔哩"狂飙"的评论