《民国奇探》的弹幕有点逗比,用 Python 爬下来看看

Posted by Python小二 on 2020-04-15

电视剧《民国奇探》是一部充斥着逗比风的探案剧,剧中主要角色:三土、四爷、白小姐,三土这个角色类似于《名侦探柯南》中的柯南但带有搞笑属性,四爷则类似于毛利小五郎但有大哥范且武功高强,三土尚文四爷尚武,白小姐大多时候扮演着傻白甜的角色。

因为该剧目前大多数时候都处于爱奇艺电视剧的榜首位置,所以自己也看了几集,总的来说剧情紧凑,剧风逗比,当然最令我印象深刻的还是网友们逗比的弹幕,所以我决定用 Python 将弹幕爬下来大家一起瞧瞧。

数据爬取

现在开始我们的爬取工作,先用浏览器打开电视剧的网页,地址为:https://www.iqiyi.com/v_19rx2un304.html?vfrm=pcw_home&vfrmblk=B&vfrmrst=fcs_0_t12,我们使用开发者工具的 Network 功能,进到 Network 控制台后,我们先使用 Ctrl+R 命令重新加载一下网页,然后再通过过滤器搜索 bullet,如下图所示:

这里的弹幕数据是以 .z 形式的压缩文件存在的,如下图所示:

我们可以看出压缩文件命名规则为 tvid_300_n.z,所以我们先来获取 tvid 列表,代码实现如下所示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
def get_tvid():
    # tv_id 列表
    tv_id_list = []
    for i in range(1, 5):
        url = 'https://pcw-api.iqiyi.com/albums/album/avlistinfo?' \
              'aid=245212201&page='\
              + str(i) + '&size=30'
        res = requests.get(url).text
        res_json = json.loads(res)
        # 视频列表
        move_list = res_json['data']['epsodelist']
        for j in move_list:
            tv_id_list.append(j['tvId'])
    return tv_id_list

获取到 tvid 列表后,我们就可以根据 tvid 获取弹幕的压缩文件了,然后再对其进行解压及存储,实现代码如下所示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
def save_bullet(tvid):
    for page in range(1, 10):
        url = 'https://cmts.iqiyi.com/bullet/'\
              + tvid[-4:-2] + '/'\
              + tvid[-2:] + '/'\
              + tvid + '_300_'\
              + str(page) + '.z'
        print(url)
        # 请求弹幕压缩文件
        res = requests.get(url).content
        res_byte = bytearray(res)
        try:
            xml = zlib.decompress(res_byte).decode('utf-8')
            # 保存路径
            path = 'data/' + tvid + '_300_' + str(page) + '.xml'
            with open(path, 'w', encoding='utf-8') as f:
                f.write(xml)
        except:
            return

文件存储到本地之后,我们先获取每一个文件的全路径名,实现代码如下所示:

1
2
3
4
def get_file(path):
    for root, ds, fs in os.walk(path):
        for f in fs:
            yield root + '/' + f

获取到所有文件全路径名后,我们再根据全路径名获取文件并解析弹幕文本信息,实现代码如下所示:

1
2
3
4
5
6
7
8
9
def get_bullet_text(f):
    DOMTree = parse(f)
    collection = DOMTree.documentElement
    # 评论文本内容
    xml_list = collection.getElementsByTagName('content')
    content_list = []
    for j in xml_list:
        content_list.append(j.childNodes[0].data)
    return content_list

最后,我们可以将整个弹幕字符串信息保存起来,因为我本次爬取的弹幕信息并不是特别多,所有就先存到 txt 文件中吧,实现代码如下所示:

1
2
3
def save2txt(content):
    with open('bullet.txt', 'a', encoding='utf-8') as file:
        file.write(content)

词云展示

数据保存完了之后,我们再来个词云展示吧,代码实现如下所示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
def jieba_():
    content = open('bullet.txt', 'rb').read()
    # jieba 分词
    word_list = jieba.cut(content)
    words = []
    # 过滤掉的词
    remove_words = ['还是', '不会', '一些', '所以', '果然',
                    '起来', '东西', '为什么', '真的', '这么',
                    '但是', '怎么', '还是', '时候', '一个',
                    '什么', '自己', '一切', '样子', '一样',
                    '没有', '不是', '一种', '这个', '为了']
    for word in word_list:
        if word not in remove_words:
            words.append(word)
    global word_cloud
    # 用逗号隔开词语
    word_cloud = ','.join(words)

def cloud():
    # 打开词云背景图
    cloud_mask = np.array(Image.open('bg.png'))
    # 定义词云的一些属性
    wc = WordCloud(
        # 背景图分割颜色为白色
        background_color='white',
        # 背景图样
        mask=cloud_mask,
        # 显示最大词数
        max_words=300,
        # 显示中文
        font_path='./fonts/simhei.ttf',
        # 最大尺寸
        max_font_size=70
    )
    global word_cloud
    # 词云函数
    x = wc.generate(word_cloud)
    # 生成词云图片
    image = x.to_image()
    # 展示词云图片
    image.show()
    # 保存词云图片
    wc.to_file('mgqt.png')

看一下效果:

源码在公众号 Python小二 后台回复 200414 获取。

欢迎微信搜索 Python小二,第一时间阅读、获取源码,回复关键字 1024 可以免费领取个人整理的各类编程语言学习资料。