【爬虫+数据清洗+可视化分析】舆情分析哔哩哔哩”狂飙”的评论

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
• 四、演示视频
• 五、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。

2023开年这段时间，《狂飙》这部热播剧引发全民追剧，不仅全员演技在线，更是符合反黑主旋律，因此创下多个收视率记录！

基于此热门事件，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"狂飙"相关的视频ID
bid_list = ['BV1Hx4y1E7QP', 'BV1Ev4y1r737', 'BV19x4y177ni']
# 评论最大爬取页（每页20条评论）
max_page = 50
# 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：TOP10地区中，评论里关注度最高为广东、山东、江苏等地区，其中，广东省的关注度最高。

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"狂飙"这个话题，在抓取到的数据范围内，2月2日的评论数据量最大，网友讨论最热烈，达到了将近1200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。证明网友对狂飙这部作品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：关于狂飙这部电视剧，网友的评论情感以正面居多，占据了70.43%，说明这部电视剧获得了网友们很高的评价。

3.3.5 评论内容-词云图

除了哈工大停用词之外，还新增了自定义停用词：
​

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。
附原始背景图，可对比看：（需要先人物抠图）
​

四、演示视频

代码演示视频：
https://www.zhihu.com/zvideo/1608856878666231808

五、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"狂飙"的评论

我是 @马哥python说 ，持续分享python源码干货中！