爬虫+情感判定+Top10高频词+词云图热门弹幕python舆情分析

Posted 格格巫 MMQ!!

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫+情感判定+Top10高频词+词云图热门弹幕python舆情分析相关的知识,希望对你有一定的参考价值。

一、背景介绍

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!
以视频 https://www.bilibili.com/video/BV1YY41157dk 为例,查看网页源代码,可以找到对应的cid为503862594,所以该视频对应的弹幕接口地址是:http://comment.bilibili.com/503862594.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 time
import 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.text
cid = 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 = None
else: # 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

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,并统计积极/消极占比。

情感分析打标

def sentiment_analyse(v_cmt_list):
“”"
情感分析打分
:param v_cmt_list: 需要处理的评论列表
:return:
“”"
score_list = [] # 情感评分值
tag_list = [] # 打标分类结果
pos_count = 0 # 计数器-积极
neg_count = 0 # 计数器-消极
for comment in v_cmt_list:
tag = ‘’
sentiments_score = SnowNLP(comment).sentiments
if sentiments_score < 0.3:
tag = ‘消极’
neg_count += 1
else:
tag = ‘积极’
pos_count += 1
score_list.append(sentiments_score) # 得分值
tag_list.append(tag) # 判定结果
print(‘积极评价占比:’, round(pos_count / (pos_count + neg_count), 4))
print(‘消极评价占比:’, round(neg_count / (pos_count + neg_count), 4))
df[‘情感得分’] = score_list
df[‘分析结果’] = tag_list
# 把情感分析结果保存到excel文件
df.to_excel(‘谷爱凌_情感评分结果.xlsx’, index=None)
print(‘情感分析结果已生成:谷爱凌_情感评分结果.xlsx’)
这里,我设定情感得分值小于0.3为消极,否则为积极。(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)
占比结果:

打标结果:(最后两列,分别是得分值和打标结果)

3.3 统计top10高频词

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!!

def make_wordcloud(v_str, v_stopwords, v_outfile):
“”"
绘制词云图
:param v_str: 输入字符串
:param v_stopwords: 停用词
:param v_outfile: 输出文件
:return: None
“”"
print(‘开始生成词云图:’.format(v_outfile))
try:
stopwords = v_stopwords # 停用词
backgroud_Image = np.array(Image.open(‘谷爱凌背景图.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)))

以上是关于爬虫+情感判定+Top10高频词+词云图热门弹幕python舆情分析的主要内容,如果未能解决你的问题,请参考以下文章

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

基于python+flask实现视频数据可视化

震惊!一菜鸟竟用pyecharts分析B站弹幕作出这么靓的图~

python绘制WordCloud词云图

使用pyecharts绘制词云图-淘宝商品评论展示

京东爬虫实现词云图展示