使用Python獲取愛奇藝電視劇彈幕數據的示例代碼

本文的文字及圖片來源於網絡,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理。

以下文章來源於數據STUDIO,作者龍哥帶你飛

Python分析抖音用戶行為數據視頻講解地址

https://www.bilibili.com/video/BV1yp4y1q7ZC/

數據獲取是數據分析中的重要的一步,數據獲取的途徑多種多樣,在這個信息爆炸的時代,數據獲取的代價也是越來越小。因此如此,仍然有很多小夥伴們無法如何獲取有用信息。此處以最近的熱播排行榜第一名的《流金歲月》為例,手把手教你如何獲取愛奇藝電視劇彈幕數據。

尋找彈幕信息

愛奇藝的彈幕數據已通過.z形式的壓縮文件存在,先通過以下步驟找到彈幕url, tvid列表,再獲取壓縮文件。利用工具對獲取的壓縮文件進行解壓,處理,存儲及分析。

絕對,實行多頁爬取,需要分析url規律,利用url規律循環請求並獲取所需內容。

此彈幕文件url地址為
https://cmts.iqiyi.com/bullet/93/00/6024766870349300_300_1.z
其中tvid = 6024766870349300

url普適形式為
url =’https:
//cmts.iqiyi.com/bullet/{}/{}/{}_300_{}.z’其中第一個與第二個花括號內容是tvid後3、4位,,後1、2位。第三個花括號為tvid。第四個花括號為子文件序號,其不是一個無窮大的數,會根據不同的電視劇有不同的最大數。

獲取彈幕文件

可以利用瀏覽器通過url直接請求,並獲取結果。

輸入網址可獲取彈幕內容的壓縮文件文件。

利用解壓/壓縮包zlib對下載下來的壓縮文件進行解壓查看。

import zlib
from bs4 import BeautifulSoup
with open(r"C:\Users\HP\Downloads\6024766870349300_300_10.z", 'rb') as fin:
 content = fin.read()
btArr = bytearray(content)
xml=zlib.decompress(btArr).decode('utf-8')
bs = BeautifulSoup(xml,"xml")
bs

輸出

因此tvid隻要獲得就能輕松獲取該電視劇的彈幕文件數據。

import zlib
from bs4 import BeautifulSoup
import pandas as pd
import requests
def get_data(tv_name,tv_id):
 """
 獲取每集的tvid
 :param tv_name: 集數,第1集、第2集...
 :param tv_id: 每集的tvid
 :return: DataFrame, 最終的數據
 """
 base_url = 'https://cmts.iqiyi.com/bullet/{}/{}/{}_300_{}.z'
 # 新建一個隻有表頭的DataFrame
 head_data = pd.DataFrame(columns=['uid','contentsId','contents','likeCount'])
 for i in range(1,20):
 url = base_url.format(tv_id[-4:-2],tv_id[-2:],tv_id,i)
 print(url)
 res = requests.get(url)
 if res.status_code == 200:
  btArr = bytearray(res.content) 
  xml=zlib.decompress(btArr).decode('utf-8') # 解壓壓縮文件
  bs = BeautifulSoup(xml,"xml") # BeautifulSoup網頁解析
  data = pd.DataFrame(columns=['uid','contentsId','contents','likeCount'])
  data['uid'] = [i.text for i in bs.findAll('uid')]
  data['contentsId'] = [i.text for i in bs.findAll('contentId')]
  data['contents'] = [i.text for i in bs.findAll('content')]
  data['likeCount'] = [i.text for i in bs.findAll('likeCount')]
 else:
  break
 head_data = pd.concat([head_data,data],ignore_index = True)
 head_data['tv_name']= tv_name
 return head_data

獲取tvid

上文已通過tvid獲取到瞭彈幕文件數據,那麼如何獲取tvid又變成瞭一個問題。莫急,我們繼續分析。直接Ctrl + F搜索tvid

因此可以直接從返回結果中通過正則表達式獲取tvid。

from requests_html import HTMLSession, UserAgent
from bs4 import BeautifulSoup
import re
def get_tvid(url):
 """
 獲取每集的tvid
 :param url: 請求網址
 :return: str, 每集的tvid
 """
 session = HTMLSession() #創建HTML會話對象
 user_agent = UserAgent().random #創建隨機請求頭
 header = {"User-Agent": user_agent}
 res = session.get(url, headers=header)
 res.encoding='utf-8'
 bs = BeautifulSoup(res.text,"html.parser")
 pattern =re.compile(".*?tvid.*?(\d{16}).*?") # 定義正則表達式
 text_list = bs.find_all(text=pattern) # 通過正則表達式獲取內容
 for t in range(len(text_list)):
 res_list = pattern.findall(text_list[t])
 if not res_list:
  pass
 else:
  tvid = res_list[0]
 return tvid

由此問題tvid。來每一集都有一個tvid,有多少集電視劇就可以獲取多少個tvid。那麼問題又來瞭:獲取tvid時,是通過url發送請求,從返回結果中獲取。而每一集的url又該如何獲取呢。

獲取每集url

通過元素選擇工具定位到集數選擇信息。通過硒模擬瀏覽器獲取動態加載信息。

有小夥伴會說,可以直接直接從返回內容中獲取此href網址啊,你可以自己動手嘗試下。

雲朵君嘗試後得到的結果是href=”javascript:void(0);” rel=”external nofollow” ,因此解決這一問題的方法之一是運用硒模擬瀏覽器獲取js動態加載信息。

def get_javascript0_links(url, class_name, class_name_father, sleep_time=0.02):
 """
 Selenium模擬用戶點擊爬取url
 :param url: 目標頁面
 :param class_name: 模擬點擊的類
 :param class_name_father: 模擬點擊的類,此類為class_name的父類
 :param sleep_time: 留給頁面後退的時間
 :return: list, 點擊class為class_name進去的超鏈接
 """

 def wait(locator, timeout=15):
 """等到元素加載完成"""
 WebDriverWait(driver, timeout).until(EC.presence_of_element_located(locator))

 options = Options()
# options.add_argument("--headless") # 無界面,若你需要查看界面內容,可以將此行註釋掉
 driver = webdriver.Chrome(options=options)
 driver.get(url)

 locator = (By.CLASS_NAME, class_name)
 wait(locator)
 element = driver.find_elements_by_class_name(class_name_father)
 elements = driver.find_elements_by_class_name(class_name)
 link = []
 linkNum = len(elements)
 for j in range(len(element)):
 wait(locator)
 driver.execute_script("arguments[0].click();", element[j]) # 模擬用戶點擊
 for i in range(linkNum):
  print(i)
  wait(locator)
  elements = driver.find_elements_by_class_name(class_name) # 再次獲取元素,預防StaleElementReferenceException
  driver.execute_script("arguments[0].click();", elements[i]) # 模擬用戶點擊
  time.sleep(sleep_time)
  link.append(driver.current_url)
  time.sleep(sleep_time)
  driver.back()
 driver.quit()
 return link

if __name__ == "__main__":
 url = "https://www.iqiyi.com/v_1meaw5kgh3s.html"
 class_name = "qy-episode-num"
 link = get_javascript0_links(url, class_name, class_name_father="tab-bar")
 for i, _link in enumerate(link):
 print(i, _link)

主函數

接下來通過主函數將所有步驟串起。

def main(sleep_second=0.02):
 url = "https://www.iqiyi.com/v_1meaw5kgh3s.html"
 class_name = "select-item"
 class_name_father = "bar-li"
 links = get_javascript0_links(url, class_name, class_name_father)
 head_data = pd.DataFrame(columns=['tv_name','uid','contentsId','contents','likeCount'])
 for num, link in enumerate(links):
 tv_name = f"第{num+1}集"
 tv_id = get_tvid(url=link)
 data = get_data(tv_name,tv_id)
 head_data = pd.concat([head_data,data],ignore_index = True)
 time.sleep(sleep_second)
 return head_data

獲取到的數據結果如下:

>>> data = main()
>>> data.info()
"""
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 246716 entries, 0 to 246715
Data columns (total 5 columns):
 # Column Non-Null Count Dtype 
--- ------ -------------- ----- 
 0 tv_name 246716 non-null object
 1 uid  246716 non-null object
 2 contentsId 246716 non-null object
 3 contents 246716 non-null object
 4 likeCount 246716 non-null object
dtypes: object(5)
memory usage: 9.4+ MB
"""
>>> data.sample(10)

詞雲圖先分詞

運用中文分詞庫jieba分詞,並去除撤銷詞。

def get_cut_words(content_series):
 """
 :param content_series: 需要分詞的內容
 :return: list, 點擊class為class_name進去的超鏈接
 """
 # 讀入停用詞表
 import jieba 
 stop_words = [] 
 with open("stop_words.txt", 'r', encoding='utf-8') as f:
 lines = f.readlines()
 for line in lines:
  stop_words.append(line.strip())
 # 添加關鍵詞
 my_words = ['倪妮', '劉詩詩', '鎖鎖', '蔣三歲', '陳道明'] 
 for i in my_words:
 jieba.add_word(i) 
 # 自定義停用詞
 my_stop_words = ['哈哈哈','哈哈哈哈', '真的'] 
 stop_words.extend(my_stop_words)  
 # 分詞
 word_num = jieba.lcut(content_series.str.cat(sep='。'), cut_all=False)
 word_num_selected = [i for i in word_num if i not in stop_words and len(i)>=2] # 條件篩選
 
 return word_num_selected

後畫圖

運用升級版詞雲圖庫stylecloud可視化彈幕結果。

import stylecloud
from IPython.display import Image 
text1 = get_cut_words(content_series=data.contents)
stylecloud.gen_stylecloud(text=' '.join(text1), collocations=False,
    font_path=r'‪C:\Windows\Fonts\msyh.ttc',
    icon_name='fas fa-rocket',size=400,
    output_name='流金歲月-詞雲.png')
Image(filename='流金歲月-詞雲.png')

到此這篇關於使用Python獲取愛奇藝電視劇彈幕數據的示例代碼的文章就介紹到這瞭,更多相關Python獲取愛奇藝電視劇彈幕數據內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: