Python爬取分析B站动漫《柯南》弹幕，从数据中分析接下来的剧情

2021-04-13 00:26

阅读：837

标签：gbk styles enter play 感情 top 大会 lambda 不难

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：栗科技

一、爬取介绍

利用Chrome浏览器抓包可知，B站的弹幕文件以XML文档式进行储存，如下所示(共三千条实时弹幕)

其URL为：

http://comment.bilibili.com/183362119.xml

数字183362119则代表该视频专属ID，通过改变数字即可得到相应的弹幕文件。打开第1集的视频，查看源码，如下图所示。

不难看出，CID则是对应着各个视频的ID，接下来用正则提取即可。

完整爬取代码如下

import requests
import re
from bs4 import BeautifulSoup as BS
import os
path=‘C:/Users/dell/Desktop/柯南‘
if os.path.exists(path)==False:
os.makedirs(path)
os.chdir(path)

def gethtml(url,header):
    r=requests.get(url,headers=header)
    r.encoding=‘utf-8‘
return r.text

def crawl_comments(r_text):
    txt1=gethtml(url,header)
    pat=‘"cid":(\d+)‘
    chapter_total=re.findall(pat,txt1)[1:-2]
    count=1
for chapter in chapter_total:
        url_base=‘http://comment.bilibili.com/{}.xml‘.format(chapter)
        txt2=gethtml(url_base,header)
        soup=BS(txt2,‘lxml‘)
        all_d=soup.find_all(‘d‘)
        with open(‘{}.txt‘.format(count),‘w‘,encoding=‘utf-8‘) as f:
for d in all_d:
                f.write(d.get_text()+‘\n‘)
print(‘第{}话弹幕写入完毕‘.format(count))
        count+=1

if __name__==‘__main__‘:
    url=‘https://www.bilibili.com/bangumi/play/ep321808‘
    header={‘user-agent‘:‘Opera/12.80 (Windows NT 5.1; U; en) Presto/2.10.289 Version/12.02‘}
    r_text=gethtml(url,header)
    crawl_comments(r_text)

最终的全部弹幕文件都在桌面的"柯南"文件下

注：这里共爬取到980个弹幕文件。【B站的柯南自941集后就跳到994集(大会员才能观看的)。虽然目前更新到1032话，但并没有1032集内容，如下图所示】

二、弹幕可视化

1.主要人物讨论总次数分析

（1）统计人数总次数
注： role.txt是主要人物名文件(需考虑到弹幕一般不会对人物的全名进行称呼，多数使用的是昵称，否则可能与实际情况相差较大。）

import jieba
import os
import pandas as pd
os.chdir(‘C:/Users/dell/Desktop‘)
jieba.load_userdict(‘role.txt‘)
role=[ i.replace(‘\n‘,‘‘) for i in open(‘role.txt‘,‘r‘,encoding=‘utf-8‘).readlines()]
txt_all=os.listdir(‘./柯南/‘)
txt_all.sort(key=lambda x:int(x.split(‘.‘)[0]))  #按集数排序
count=1
def role_count():
df = pd.DataFrame()
for chapter in txt_all:
      names={}
      data=[]
      with open(‘./柯南/{}‘.format(chapter),‘r‘,encoding=‘utf-8‘) as f:
for line in f.readlines():
              poss=jieba.cut(line)
for word in poss:
if word in role:
if names.get(word) is None:
                          names[word]=0
                      names[word]+=1
          df_new = pd.DataFrame.from_dict(names,orient=‘index‘,columns=[‘{}‘.format(count)])   
          df = pd.concat([df,df_new],axis=1)
print(‘第{}集人物统计完毕‘.format(count))
      count+=1
df.T.to_csv(‘role_count.csv‘,encoding=‘gb18030‘)

（2）可视化

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘]=[‘kaiti‘]
plt.style.use(‘ggplot‘)
df=pd.read_csv(‘role_count.csv‘,encoding=‘gbk‘)
df=df.fillna(0).set_index(‘episode‘)
plt.figure(figsize=(10,5))
role_sum=df.sum().to_frame().sort_values(by=0,ascending=False)
g=sns.barplot(role_sum.index,role_sum[0],palette=‘Set3‘,alpha=0.8)
index=np.arange(len(role_sum))
for name,count in zip(index,role_sum[0]):
    g.text(name,count+50,int(count),ha=‘center‘,va=‘bottom‘,)
plt.title(‘B站名侦探柯南弹幕——主要人物讨论总次数分布‘)
plt.ylabel(‘讨论次数‘)
plt.show()

虽说是万年小学生，柯南还是有变回新一的时候，且剧情也并不只是"找犯人—抓犯人"。接下来从数据的角度来，扒扒一些精彩剧情集数。

2.柯南变回新一集数统计

考虑到部分集数中新一是在回忆中出现的，为减少偏差，将讨论的阈值设为250次，绘制如下分布图

其讨论次数结果及剧集名如下表所示

有兴趣的朋友可以码一下，除235集外，均是柯南变回新一的集数。

相关代码如下：

df=pd.read_csv(‘role_count.csv‘,encoding=‘gbk‘)
df=df.fillna(0).set_index(‘episode‘)
xinyi=df[df[‘新一‘]>=250][‘新一‘].to_frame()
print(xinyi) #新一登场集数
plt.figure(figsize=(10,5))
plt.plot(df.index,df[‘新一‘],label=‘新一‘,color=‘blue‘,alpha=0.6)
plt.annotate(‘集数:50,讨论次数:309‘, 
             xy=(50,309),
             xytext=(40,330),
             arrowprops=dict(color=‘red‘,headwidth=8,headlength=8)
            )
plt.annotate(‘集数:206,讨论次数:263‘, 
             xy=(206,263),
             xytext=(195,280),
             arrowprops=dict(color=‘red‘,headwidth=8,headlength=8)
            )
plt.annotate(‘集数:571,讨论次数:290‘, 
             xy=(571,290),
             xytext=(585,310),
             arrowprops=dict(color=‘red‘,headwidth=8,headlength=8)
            )
plt.hlines(xmin=df.index.min(),xmax=df.index.max(),y=250,linestyles=‘--‘,colors=‘red‘)
plt.legend(loc=‘best‘,frameon=False)
plt.xlabel(‘集数‘)
plt.ylabel(‘讨论次数‘)
plt.title(‘工藤新一讨论次数分布图‘)
plt.show()

以讨论次数最多的572集，绘制词云图(剔除了高频词"新一"，防止遗漏其他信息)如下所示：

从图中可看出，出现频率较高地词有整容、服部、声音、爱情等。(看来凶手是整成了新一的模样进行犯罪的，还有新兰的感情戏在里面，值得一看）

3.主线集数内容分析

主线剧情主要是围绕着组织成员(琴酒、伏特加、贝尔摩德)展开，绘制分布图如下：

plt.figure(figsize=(10,5))
names=[‘琴酒‘,‘伏特加‘,‘贝姐‘]
colors=[‘#090707‘,‘#004e66‘,‘#EC7357‘]
alphas=[0.8,0.7,0.6]
for name,color,alpha in zip(names,colors,alphas):
    plt.plot(df.index,df[name],label=name,color=color,alpha=alpha)
plt.legend(loc=‘best‘,frameon=False)
plt.annotate(‘集数:{},讨论次数:{}‘.
format(df[‘贝姐‘].idxmax(),int(df[‘贝姐‘].max())), 
             xy=(df[‘贝姐‘].idxmax(),df[‘贝姐‘].max()),
             xytext=(df[‘贝姐‘].idxmax()+30,df[‘贝姐‘].max()),
             arrowprops=dict(color=‘red‘,headwidth=8,headlength=8)
            )
plt.xlabel(‘集数‘)
plt.ylabel(‘讨论次数‘)
plt.title(‘酒厂成员讨论次数分布图‘)
plt.hlines(xmin=df.index.min(),xmax=df.index.max(),y=200,linestyles=‘--‘,colors=‘red‘)
plt.ylim(0,400)

#输出主线剧集
mainline=set(list(df[df[‘贝姐‘]>=200].index)+list(df[df[‘琴酒‘]>=200].index))  #伏特加可忽略不计
print(mainline)