百木园目录
- 一、背景介绍
- 二、爬虫代码
- 2.1 展示爬取结果
- 2.2 爬虫代码讲解
- 三、可视化代码
- 3.1 读取数据
- 3.2 数据清洗
- 3.3 可视化
- 3.3.1 IP属地分析-柱形图
- 3.3.2 评论时间分析-折线图
- 3.3.3 点赞数分布-直方图
- 3.3.4 评论内容-情感分布饼图
- 3.3.5 评论内容-词云图
- 三、演示视频
- 四、附完整源码
一、背景介绍
您好，我是@马哥python说，一枚10年程序猿。
以前大家见面都问\"吃了没\"，最近大家见面都问\"阳了没\"，奈何疫情反反复复，惟愿身体安康！
我用python抓取了B站上千条评论，并进行可视化舆情分析，下面详细讲解代码。
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\"世界杯\"相关的视频ID
bid_list = [\'BV1DP411g7jx\', \'BV1M24y117K3\', \'BV1nt4y1N7Kj\']
# 评论最大爬取页（每页20条评论）
max_page = 30
# 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aid
aid = 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：关于\"阳了\"这个话题，评论里关注度最高为广东、北京、江苏等地区，其中，广东省的关注度最高。同时，我们注意到，也包含一些海外网友的少量评论。
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\"阳了\"这个话题，再抓取到的数据范围内，12.18日的评论数据量最大，达到了将近900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\"阳了\"事件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\"阳了\"这个话题，积极评价与消极评价占比差不多，积极评价稍高一点，反应出网友对感染阳性的态度反差很大，大约各占一半。
3.3.5 评论内容-词云图
初始化停用词和词云图对象：
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，阳、感染、发烧、症状、疼、嗓子等词汇较大，出现频率较高，反应出众多网友对确诊阳性后描述病症、积极探讨病情的现状。
三、演示视频
代码演示视频：
https://www.zhihu.com/zvideo/1590645358123839488
四、附完整源码
完整源码：【爬虫+数据清洗+可视化分析】舆情分析哔哩哔哩\"阳了\"的评论
by 马哥python说
来源：https://www.cnblogs.com/mashukui/p/17007313.html
本站部分图文来源于网络，如有侵权请联系删除。