爬取B站视频排名第一《祖国大好河山》1W+弹幕，得出一份词频词云图

Posted 2023-01-11

爬取B站视频排名第一《祖国大好河山》1W+弹幕，得出一份词频词云图

前言

2019 年 10 月 1 日，是一个值得被纪念的日子。转眼间，10年已经过去了。上一次国庆历历在目，当年的我还参加了国庆 60 周年的翻花表演。

平时热衷于 B 站的我，扫到了排行榜排名第一的视频，数百位摄影师联合制作，《10分钟带你看绝美祖国大好河山！》

感兴趣的，可以复制下面地址看下：
​​​ https://www.bilibili.com/video/av69241910/​​

可以看到上图右侧，有数千条弹幕。通过查看历史记录，发现是 9.28 才有的第一条弹幕，目测应该是 9.28 上传的视频。出于感兴趣，于是打算来个词频统计。

文章写到这里，笔者并没有开始代码的编写，也不知道弹幕哪个词出现的频率最高。（平时写文章有个习惯，都是先写前言，搭好文章架子再开始写具体的代码实现。）

在结果出现之前，来个盲猜吧！祖国，快乐。这两个没猜错，应该是最高的频率词！

框架性思维

不知道大家还记不记得爬虫的框架步骤。

首先，熟悉网站结构，找出我们想要的数据接口。

其次，分析提取数据。

最后，完成本次的词频统计。

所以，让我们先来找接口吧！B 站的接口很好找哟！

B站弹幕接口

打开上述提到的视频链接。

提供一个思路，打开 F12 后，一般默认先去找 XHR 里是否有相似数据。因为 XHR 这栏，是异步请求。意味着，即使不刷新页面，也可以像服务器异步发送请求，不会影响用户操作。

总的来说，下面的异步请求并不多，一个个去看，也能全部浏览完。不过有个小技巧，就是根据名字挑着看，比如那些常见的单词，list。

F12看数据，可以看到不是 json 的形式返回的，用浏览器访问下试试。

它是以标签的形式，将数据展示的。而这种形式，恰是之前在小课堂中介绍到的 XML 格式。

其中有个 maxlimit 的标签，数字显示 1500 。猜测应该是此页数据最大 1500 条数据。复制到文本工具里，删除非数据以外的头尾，验证下，一共 1502 行。

由此得知，这并不是历史数据。继续来挖，点击查看历史，选择9.28日，F12再次看请求。

当然，你可以先清除下之前的F12记录，以免太乱，点击F12的小垃圾桶即可。我这里用的是 Safari 浏览器，谷歌浏览器类似操作。

选择日期：

再次查看：

出现了 history 的名字，无疑就是它了！明显，请求地址发生了改变。

​​https://api.bilibili.com/x/v2/dm/history?type=1&oid=120004475&date=2019-09-28​​

这样一来，就有了这几天的历史数据。模拟请求，修改下 url 中 date 字段的日期。接下来只需要将返回的 XML 进行数据提取就好啦！

代码简说及成果展示

需要的第三方库：

• requests
• jieba
• wordcloud
• numpy
• PIL
• matplotlib

pip install jieba
pip install request
pip install wordcloud
pip install numpy
pip install Pillow
pip install matplotlib

简单的说下代码思路。

用 requests 库发起模拟请求，请求头需要携带自己的 cookie ，否则会提示请登录的字眼。

爬取弹幕后，存储到一个公有 list 中，通过 jieba 分词的第三方库，对其进行词频统计分析。

其中 jieba 使用的核心代码是这段：

​​https://github.com/fxsjy/jieba​​

最后，使用 wordcloud 生成词云图核心代码：

def __draw_word(self):
    """ 词云生成 """
    d = os.path.dirname(__file__)
    alice_mask = np.array(Image.open(os.path.join(d, "gq.jpg")))
    windows_font_path = C:/Windows/Fonts/simsun.ttc  # winodws字体
    mac_font_path = /System/Library/Fonts/PingFang.ttc  # mac字体

    wc = WordCloud(font_path=mac_font_path,  # 设置字体格式,系统自带的中文字体
                   mask=alice_mask,  # 设置背景图
                   background_color=white,
                   max_words=400,  # 最多显示词数
                   max_font_size=150  # 字体最大值)
                   )

    wc.generate_from_frequencies(self.word_dict)  # 从字典生成词云
    image_colors = wordcloud.ImageColorGenerator(alice_mask)  # 从背景图建立颜色方案
    wc.recolor(color_func=image_colors)  # 将词云颜色设置为背景图方案

    plt.imshow(wc, interpolation=bilinear)  # 显示词云
    plt.axis(off)  # 关闭坐标轴
    plt.show()  # 显示图像

生成词云图时，需要一张原图做"铺垫"。

原图：

渲染：

总结

总的来说，盲猜与结果相似度还可以！。。

图片的清晰度有些模糊，可以看到 生日快乐、祖国、我爱你、盛世 字眼相对较大，当然也可以看到中国许多的地名，山东、四川、苏州、山西等等。。。

相信每个看视频的小伙伴，看到自己家乡美景的时候，都会很自豪吧！

本篇文章可以当做一个熟悉词云的练手小项目。从数据角度来看，实用的意义并不是很大！

想看全部源码的同学，后台回复 70 ，即可获得源码地址。