【爬虫+情感判定+Top10高频词+词云图】热门d幕python舆情分析

一、背景介绍

针对此热门事件，我用Python的爬虫和情感分析技术，针对小破站的d幕数据，分析了众网友d幕的舆论导向，下面我们来看一下，是如何实现的分析过程。

二、代码讲解-爬虫部分

2.1 分析d幕接口
首先分析B站d幕接口。

经过分析，得到的d幕地址有两种：

第一种：http://comment.bilibili.com/{cid}.xml
第二种：https://api.bilibili.com/x/v1/dm/list.so?oid={cid}
这两种返回的结果一致！但都不全，都是只有部分d幕！
以视频 https://www.bilibili.com/video/BV1YY41157dk 为例，查看网页源代码，可以找到对应的cid为503862594，所以该视频对应的d幕接口地址是：http://comment.bilibili.com/503862594.xml

既然这样，就好办了，开始撸代码！

2.2 讲解爬虫代码
首先，导入需要用到的库：

import re # 正则表达式提取文本
import requests # 爬虫发送请求
from bs4 import BeautifulSoup as BS # 爬虫解析页面
import time
import pandas as pd # 存入csv文件
import os
然后，向视频地址发送请求，解析出cid号：

r1 = requests.get(url=v_url, headers=headers)
html1 = r1.text
cid = re.findall(‘cid=(.*?)&aid=’, html1)[0] # 获取视频对应的cid号
print(‘该视频的cid是:’, cid)
根据cid号，拼出xml接口地址，并再次发送请求：

danmu_url = ‘http://comment.bilibili.com/{}.xml’.format(cid) # d幕地址
print(‘d幕地址是：’, danmu_url)
r2 = requests.get(danmu_url)
解析xml页面：标签的文本内容为d幕，标签内p属性值（按逗号分隔）的第四个字段是时间戳：

soup = BS(html2, ‘xml’)
danmu_list = soup.find_all(‘d’)
print(‘共爬取到{}条d幕’.format(len(danmu_list)))
video_url_list = [] # 视频地址
danmu_url_list = [] # d幕地址
time_list = [] # d幕时间
text_list = [] # d幕内容
for d in danmu_list:
data_split = d[‘p’].split(‘,’) # 按逗号分隔
temp_time = time.localtime(int(data_split[4])) # 转换时间格式
danmu_time = time.strftime(“%Y-%m-%d %H:%M:%S”, temp_time)
video_url_list.append(v_url)
danmu_url_list.append(danmu_url)
time_list.append(danmu_time)
text_list.append(d.text)
print(‘{}:{}’.format(danmu_time, d.text))
保存时应注意，为了避免多次写入csv标题头，像这样：

这里，我写了一个处理逻辑，大家看注释，应该能明白：

if os.path.exists(v_result_file): # 如果文件存在，不需写入字段标题
header = None
else: # 如果文件不存在，说明是第一次新建文件，需写入字段标题
header = [‘视频地址’, ‘d幕地址’, ‘d幕时间’, ‘d幕内容’]
df.to_csv(v_result_file, encoding=‘utf_8_sig’, mode=‘a+’, index=False, header=header) # 数据保存到csv文件

三、代码讲解-情感分析部分

3.1 整体思路
针对情感分析需求，我主要做了三个步骤的分析工作：

用SnowNLP给d幕内容打标：积极、消极，并统计占比情况
用jieba.analyse分词，并统计top10高频词
用WordCloud绘制词云图
首先，导入csv数据，并做数据清洗工作，不再赘述。

下面，正式进入情感分析代码部分：

3.2 情感分析打标
情感分析计算得分值、分类打标，并统计积极/消极占比。

情感分析打标

def sentiment_analyse(v_cmt_list):
“”"
情感分析打分
:param v_cmt_list: 需要处理的评论列表
:return:
“”"
score_list = [] # 情感评分值
tag_list = [] # 打标分类结果
pos_count = 0 # 计数器-积极
neg_count = 0 # 计数器-消极
for comment in v_cmt_list:
tag = ‘’
sentiments_score = SnowNLP(comment).sentiments
if sentiments_score < 0.3:
tag = ‘消极’
neg_count += 1
else:
tag = ‘积极’
pos_count += 1
score_list.append(sentiments_score) # 得分值
tag_list.append(tag) # 判定结果
print(‘积极评价占比：’, round(pos_count / (pos_count + neg_count), 4))
print(‘消极评价占比：’, round(neg_count / (pos_count + neg_count), 4))
df[‘情感得分’] = score_list
df[‘分析结果’] = tag_list
# 把情感分析结果保存到excel文件
df.to_excel(‘谷爱凌_情感评分结果.xlsx’, index=None)
print(‘情感分析结果已生成：谷爱凌_情感评分结果.xlsx’)
这里，我设定情感得分值小于0.3为消极，否则为积极。（这个分界线，没有统一标准，根据数据分布情况和分析经验自己设定分界线即可）
占比结果：

打标结果：（最后两列，分别是得分值和打标结果）

3.3 统计top10高频词

2、用jieba统计d幕中的top10高频词

keywords_top10 = jieba.analyse.extract_tags(v_cmt_str, withWeight=True, topK=10)
print(‘top10关键词及权重：’)
pprint(keywords_top10)
这里需要注意，在调用jieba.analyse.extract_tags函数时，要导入的是import jieba.analyse 而不是 import jieba
统计结果为：（分为10组关键词及其权重，权重按倒序排序）

3.4 绘制词云图
注意别踩坑：
想要通过原始图片的形状生成词云图，原始图片一定要白色背景（实在没有的话，PS修图修一个吧），否则生成的是满屏词云！！

def make_wordcloud(v_str, v_stopwords, v_outfile):
“”"
绘制词云图
:param v_str: 输入字符串
:param v_stopwords: 停用词
:param v_outfile: 输出文件
:return: None
“”"
print(‘开始生成词云图：{}’.format(v_outfile))
try:
stopwords = v_stopwords # 停用词
backgroud_Image = np.array(Image.open(‘谷爱凌背景图.png’)) # 读取背景图片
wc = WordCloud(
background_color=“white”, # 背景颜色
width=1500, # 图宽
height=1200, # 图高
max_words=1000, # 最多字数
font_path=‘/System/Library/Fonts/SimHei.ttf’, # 字体文件路径，根据实际情况(Mac)替换
# font_path=“C:\Windows\Fonts\simhei.ttf”, # 字体文件路径，根据实际情况(Windows)替换
stopwords=stopwords, # 停用词
mask=backgroud_Image, # 背景图片
)
jieba_text = " ".join(jieba.lcut(v_str)) # jieba分词
wc.generate_from_text(jieba_text) # 生成词云图
wc.to_file(v_outfile) # 保存图片文件
print(‘词云文件保存成功：{}’.format(v_outfile))
except Exception as e:
print(‘make_wordcloud except: {}’.format(str(e)))