码迷,mamicode.com
首页 > 编程语言 > 详细

Python 爬取 B 站,宋智孝李光洙哪个更受宠?

时间:2018-11-27 16:57:47      阅读:212      评论:0      收藏:0      [点我收藏+]

标签:认同   话题   学习   HTST   大于   交流   联系   通过   tpi   

在中国,大家应该都了解《跑男》这个节目吧,跑男这个节目就是引用了韩国的《Running Man》,成员组成包括原六位成员刘在石、池石镇、金钟国、HAHA(河东勋)、宋智孝、李光洙 ,以及两位新成员全昭旻、梁世灿 。

自从限韩令发布后,Running man在除B站以外的各大视频网站均下架,所以本文从B站出发,抓取相关视频的所有评论。

由于相关视频非常多,本文选择了最具代表性,点击量观看次数最多的视频。

进入这个页面后开始抓包(https://www.bilibili.com/video/av18089528?from=search&seid= 16848360519725142300)。

不断点击下一页,可以发现reply?callback=这个文件一直在出现。

技术分享图片

打开其中一个文件以后可以看到每一面的评论都在里面;只需构建出类似的URL就可以把所有的评论都爬下来啦。

技术分享图片

分析一下这个URL:

https://api.bilibili.com/x/v2/replycallback=jQuery17201477141935656543_1541165464647&jsonp=jsonp&pn=368&type=1&oid=18089528&sort=0&_=1541165714862

pn是页面数,_对应距离1971年1月1日的秒数,直接用time.time就可以获得,其余参数保持不变。数据格式是Json,但是B站有点小狡猾啊~

它把所有的Json数据都存在jQuery17201477141935656543_1541165464647这个里面。

所以提取的时候要处理一下(Talk is cheap,show me the code)。

html=requests.get(url,headers=headers).text
html=json.loads(html.split(‘(‘,1))[1][:-1])

取下来存入Excel中,数据格式是这样子的:

技术分享图片

写入CSV的时候一定要记得encoding=‘utf-8‘,就因为少了这个,数据总会乱码,因为各种奇葩的原因 (点了一下,拉宽了一下,原地保存一下) 。

数据清洗

对于B站的各种缺失数据,就直接用0替换;对于诗歌类的评论,它存到CSV时是一句占一行,而它的其余信息都会存到最后一行。

所以在处理时,把前面的n-1行打包append到n行的评论中,再把n-1行删除;对于B站返回的时间(类似于1540882722);用time.strftime(‘%Y-%m-%d %H:%M:%S,time.localtime())变换成2018/11/12 22:15:15。

技术分享图片

数据分析

清理后一共得到7513*11条数据,接下来对数据进行一些分析,数据分析通过Python和R完成。

男女分布

技术分享图片

从饼图可以看出,近六成的人选择保密个人信息,公开信息显示女生仅比男生多3%。这个结论是出乎意料的。原来不论男女都很喜欢Running man。

def male(sex):
    att=[‘男‘,‘女‘,‘保密‘]
    val=[]
    for i in att:
        val.append(sex.count(i))
    pie = Pie("", "性别饼图", title_pos="right", width=1200, height=600)
    pie.add("", att, val, label_text_color=None, is_label_show=True, legend_orient=‘vertical‘,
            is_more_utils=True, legend_pos=‘left‘)
    pie.render("sexPie.html")

评论周分布

技术分享图片

Running man在韩国的更新时间是每周天下午,但是要到周一B站才会有所更新。

因此从评论周分布图可以看到,星期一的评论数是远远大于其他时间的,其次是星期二和星期天,正好在Runnning man 更新前后,对比其他时间段评论数有一定增长。

def ana_week(week):
    weeks=[‘星期天‘,‘星期一‘,‘星期二‘,‘星期三‘,‘星期四‘,‘星期五‘,‘星期六‘]
    output_file(‘week_bar.html‘)
    count=[]
    for i in sorted(set(week)):
        if not numpy.isnan(i):
            count.append(week.count(i))
    source = ColumnDataSource(data=dict(weeks=weeks, counts=count,color=[‘orange‘,‘yellowgreen‘,‘pink‘,‘darksalmon‘,‘lightgreen‘,‘paleturquoise‘,‘lightsteelblue‘]))
    p=figure(x_range=weeks, y_range=(0,4000), plot_height=250, title="Week Counts",
           toolbar_location=None, tools="")
    p.vbar(x=‘weeks‘, top=‘counts‘, color=‘color‘,width=0.9, legend="Week", source=source)
    p.legend.orientation = "horizontal"
    p.legend.location = "top_right"
    show(p)

评论时间分布

除了每周评论数,对于评论数的日趋势也十分好奇,大家一般会在什么时间段内观看评论呢?

技术分享图片

根据上图可以看到,在6点以后迎来一个爆炸性增涨,在11点-13点之间达到峰值,其次是在15点-17点之间迎来第二波小高潮。

在晚间,除了20点有一定下降外,评论数都接近500条。而午夜评论数最少,不过还是有不少夜猫子啊。

def ana_hour(hour):
    h,k=[],[]
    for i in range(len(hour)):
        if isinstance(hour[i],str):
            h.append(hour[i][:2])
    for i in sorted(set(h)):
        k.append(h.count(i))
    print(k)
    output_file(‘hour_line.html‘)
    p = figure(plot_width=400,title=‘各小时评论数‘, plot_height=400)
    p.line(sorted(set(h)), k, line_width=2)
    p.circle(sorted(set(h)), k, fill_color="white", size=8)
    show(p)

评论字数与点赞数

技术分享图片

对比每条评论的字数与点赞次数,从上图可以看到,评论的字数越多,获得赞的概率就越大:100字以上的评论获得赞的平均次数远高于100字以下的评论,而那些10个字以内的评论基本没有获得赞,所以只要你是认真评论写出大家的心声,就能获得大家的认同。

def com_zan(com,zan):
    q,w,e,r,t=[],[],[],[],[]
    for i in range(len(com)):
        if len(com[i])<10:
            q.append(zan[i])
        if 10<=len(com[i])<50:
            w.append(zan[i])
        if 50<=len(com[i])<100:
            e.append(zan[i])
        if 100<=len(com[i]):
            r.append(zan[i])
    a=go.Box(y=q,name=‘0-10个字‘)
    b=go.Box(y=w,name=‘10-50个字‘)
    c=go.Box(y=e,name=‘50-100个字‘)
    d=go.Box(y=r,name=‘100以上个字‘)
    e=go.Box(y=zan,name=‘所有评论‘)
    data=[a,b,e,c,d]
    layout = go.Layout(legend=dict(font=dict(size=16)),orientation=270)
    fig = go.Figure(data=data, layout=layout)
    plotly.offline.plot(data)

情感分析

技术分享图片

大家的评论分别进行情感分析,越接近1说明正面情感越强烈;相反越靠近0负面情绪越强。

从上图可以看到,虽然有近600人的评论是非常负能量,但是绝大多数的人都是1分、0.9分。

在Running man给我们带来欢乐与感动的同时,大家对Running man是满满的宠爱啊。

def snownlp(com):
    q=[]
    for i in com:
        s=SnowNLP(i)
        q.append(round(s.sentiments,1))
    emotion=[]
    count=[]
    for i in sorted(set(q)):
        emotion.append(str(i))
        count.append(q.count(i))
    #count=[596, 481, 559, 566, 490, 617, 528, 601, 581, 809, 1685]
    #emotion=[‘0.0‘, ‘0.1‘, ‘0.2‘, ‘0.3‘, ‘0.4‘, ‘0.5‘, ‘0.6‘, ‘0.7‘, ‘0.8‘, ‘0.9‘, ‘1.0‘]
    output_file(‘评论情感分析.html‘)
    source = ColumnDataSource(data=dict(emotion=emotion, counts=count))
    p = figure(x_range=emotion, y_range=(0, 2000), plot_height=250, title="评论情感分析",
               toolbar_location=None, tools="")
    p.vbar(x=‘emotion‘, top=‘counts‘, width=0.9, source=source)
    p.legend.orientation = "horizontal"
    show(p)

话题度排行

技术分享图片

一直都很好奇在观众心中哪个mc的话题度最高,所以做了一个话题度排行。从上图可以看到haha是最具话题性的mc(这个结果有点出乎意料呢)其次是李光洙和宋智孝。

因为笔者统计的是2018年的Running man ,所以Gary的数据是有点凄惨的。对比两个新成员,全妹的话题度比世赞高的不是一点点。

def hot(com):
    #print(com)
    output_file(‘各成员话题度.html‘)
    jzg=[‘金钟国‘,‘钟国‘,‘能力者‘]
    gary=[‘gary‘,‘狗哥‘]
    haha=[‘haha‘,‘HAHA‘,‘哈哈‘]
    qsm=[‘全昭敏‘,‘全妹‘,‘全昭body‘]
    lsz=[‘梁世赞‘,‘世赞‘,‘小不点‘]
    name=[‘池石镇‘,‘刘在石‘,‘宋智孝‘,‘李光洙‘,‘金钟国‘,‘gary‘,‘haha‘,‘全昭敏‘,‘梁世赞‘]
    csz,lzs,szx,lgz,jzg,gary,haha,qsm,lsz=[],[],[],[],[],[],[],[],[]
    for i in com:
        if  ‘池石镇‘in i or‘石镇‘ in i or‘鼻子‘in i:
            csz.append(i)
        if ‘刘在石‘in i or ‘在石‘ in i or ‘大神‘ in i or ‘蚂蚱‘ in i:
            lzs.append(i)
        if ‘宋智孝‘ in i or ‘智孝‘in i or ‘懵智‘in i or ‘美懵‘in i:
            szx.append(i)
        if ‘李光洙‘in i or ‘光洙‘in i or ‘一筐猪‘in i:
            lgz.append(i)
        if ‘金钟国‘in i or ‘钟国‘in i or ‘能力者‘in i:
            jzg.append(i)
        if ‘gary‘in i or‘狗哥‘in i:
            gary.append(i)
        if ‘haha‘in i or ‘HAHA‘in i or ‘哈哈‘in i:
            haha.append(i)
        if ‘全昭敏‘in i or ‘全妹‘in i or‘全昭body‘in i:
            qsm.append(i)
        if ‘梁世赞‘in i or‘世赞‘in i or‘小不点‘in i:
            lsz.append(i)
   count=[len(csz),len(lzs),len(szx),len(lgz),len(jzg),len(gary),len(haha),len(qsm),len(lsz)]
    source = ColumnDataSource(data=dict(name=name, counts=count,color=[‘orange‘, 
‘yellowgreen‘, ‘pink‘, ‘darksalmon‘,‘lightgreen‘,‘paleturquoise‘,‘lightsteelblue‘,
‘hotpink‘,‘yellow‘]))
    p = figure(x_range=name, y_range=(0, 600), plot_height=250, title="话题度排行",
               toolbar_location=None, tools="")
    p.vbar(x=‘name‘, top=‘counts‘, color=‘color‘, width=0.9, source=source)
    p.legend.orientation = "horizontal"
    show(p)

Running man一直都不缺CP,前有周一情侣Gary和宋智孝,权力夫妇刘在石和金钟国,老年line刘在石和池石镇,我兄我弟金钟国和haha,背叛者联盟必触cross。

现在又有国民兄妹刘在石和全昭敏,麻浦兄妹宋智孝和haha,烤肉line金钟国haha等等。

他们的关系错综复杂,所以笔者打算好好扒一扒观众眼中的各种line。

成员关系矩阵

技术分享图片

满分为100分,可以看到池石镇和刘在石;刘在石和李光洙;金钟国和宋智孝;Gary和宋智孝;haha和李光洙;全昭敏和宋智孝的相关性均非常高,其中Gary和宋智孝的相关性居然达到40,也就是说评论中如果有Gary那么有四成的概率会出现宋智孝,周一情侣真的是深入人心。

其次是宋智孝和金钟国,看来之前还一直有人说他俩会结婚也不是空穴来潮;而梁世赞与其余成员的相关性都很高,这说明大家都不怎么单独提到他,希望世赞可以早日找到自己的定位;获得观众的认可!

def network_edg_csv(com):
    df=pandas.DataFrame(columns=[‘池石镇‘,‘刘在石‘,‘宋智孝‘,‘李光洙‘,‘金钟国‘,‘gary‘,‘haha‘,‘全昭敏‘,‘梁世赞‘],index=[‘池石镇‘,‘刘在石‘,‘宋智孝‘,‘李光洙‘,‘金钟国‘,‘gary‘,‘haha‘,‘全昭敏‘,‘梁世赞‘])
    df.loc[:,:]=0.0
    for i in com:
        if  (i in ‘池石镇‘in i or‘石镇‘ in i or‘鼻子‘in i):
            df[‘池石镇‘][‘池石镇‘] = df[‘池石镇‘][‘池石镇‘] + 1
            if(‘刘在石‘in i or ‘在石‘ in i or ‘大神‘ in i or ‘蚂蚱‘ in i):
                df[‘池石镇‘][‘刘在石‘] = df[‘池石镇‘][‘刘在石‘] + 1
                df[‘刘在石‘][‘池石镇‘] = df[‘刘在石‘][‘池石镇‘] + 1
    #成员关系矩阵df计算方式:在同一个评论中,如果同时出现刘在石和池石镇,那么他们的联系值+1;再用(刘在石和池石镇的联系值/池石镇出现在评论的次数)*100得到他们的相关性系数。
    for i in df.index:
        s=df.loc[i][i]
        for j in [‘池石镇‘,‘刘在石‘,‘宋智孝‘,‘李光洙‘,‘金钟国‘,‘gary‘,‘haha‘,‘全昭敏‘,‘梁世赞‘]:
            df.loc[i][j]=df.loc[i][j]/s*100
    fig=pyl.figure()   names=[‘chishizhen‘,‘liuzaishi‘,‘songzhixiao‘,‘liguangzhu‘,‘jinzgongguo‘,‘gary‘,‘haha‘,‘quanshaomin‘,‘liangshizan‘]
    ax=fig.add_subplot(figsize=(100, 100)) 
    ax=seaborn.heatmap(df, cmap=‘rainbow‘,linewidths = 0.05, vmax = 100,vmin = 0,annot = True, annot_kws = { ‘size‘: 6, ‘weight‘: ‘bold‘})   
    pyl.xticks(np.arange(9) + 0.5, names,rotation=-90)
    pyl.yticks(np.arange(9) + 0.5, names,rotation=360)
    ax.set_title(‘Characteristic correlation‘)  # 标题设置
    pyl.show()

最后,如果有想一起学习python,爬虫,可以来一下我的python群【 784758214 】,内有安装包和学习视频资料免费分享,好友都会在里面交流,分享一些学习的方法和需要注意的小细节,每天也会准时的讲一些项目实战案例。找工作什么最重要?看中的还是你的实战经验

技术分享图片

Python 爬取 B 站,宋智孝李光洙哪个更受宠?

标签:认同   话题   学习   HTST   大于   交流   联系   通过   tpi   

原文地址:http://blog.51cto.com/14082686/2322341

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!