本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
以下文章来源于数据STUDIO，作者龙哥带你飞
Python分析抖音用户行为数据视频讲解地址
https://www.bilibili.com/video/BV1yp4y1q7ZC/
数据获取是数据分析中的重要的一步，数据获取的途径多种多样，在这个信息爆炸的时代，数据获取的代价也是越来越小。因此如此，仍然有很多小伙伴们无法如何获取有用信息。此处以最近的热播排行榜第一名的《流金岁月》为例，手把手教你如何获取爱奇艺电视剧弹幕数据。
爱奇艺的弹幕数据已通过.z形式的压缩文件存在，先通过以下步骤找到弹幕url, tvid列表，再获取压缩文件。利用工具对获取的压缩文件进行解压，处理，存储及分析。
绝对，实行多页爬取，需要分析url规律，利用url规律循环请求并获取所需内容。
此弹幕文件url地址为
https://cmts.iqiyi.com/bullet/93/00/6024766870349300_300_1.z
其中tvid = 6024766870349300
url普适形式为
url ='https:
//cmts.iqiyi.com/bullet/{}/{}/{}_300_{}.z'其中第一个与第二个花括号内容是tvid后3、4位，，后1、2位。第三个花括号为tvid。第四个花括号为子文件序号，其不是一个无穷大的数，会根据不同的电视剧有不同的最大数。
可以利用浏览器通过url直接请求，并获取结果。
输入网址可获取弹幕内容的压缩文件文件。
利用解压/压缩包zlib对下载下来的压缩文件进行解压查看。
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
输出
因此tvid只要获得就能轻松获取该电视剧的弹幕文件数据。
import zlib
from bs4 import BeautifulSoup
import pandas as pd
import requests
def get_data(tv_name,tv_id):
"""
获取每集的tvid
:param tv_name: 集数，第1集、第2集...
:param tv_id: 每集的tvid
:return: DataFrame, 最终的数据
"""
base_url = 'https://cmts.iqiyi.com/bullet/{}/{}/{}_300_{}.z'
# 新建一个只有表头的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') # 解压压缩文件
bs = BeautifulSoup(xml,"xml") # BeautifulSoup网页解析
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
上文已通过tvid获取到了弹幕文件数据，那么如何获取tvid又变成了一个问题。莫急，我们继续分析。直接Ctrl + F搜索tvid
因此可以直接从返回结果中通过正则表达式获取tvid。
from requests_html import HTMLSession, UserAgent
from bs4 import BeautifulSoup
import re
def get_tvid(url):
"""
获取每集的tvid
:param url: 请求网址
:return: str, 每集的tvid
"""
session = HTMLSession() #创建HTML会话对象
user_agent = UserAgent().random #创建随机请求头
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}).*?") # 定义正则表达式
text_list = bs.find_all(text=pattern) # 通过正则表达式获取内容
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
由此问题tvid。来每一集都有一个tvid，有多少集电视剧就可以获取多少个tvid。那么问题又来了：获取tvid时，是通过url发送请求，从返回结果中获取。而每一集的url又该如何获取呢。
通过元素选择工具定位到集数选择信息。通过硒模拟浏览器获取动态加载信息。
有小伙伴会说，可以直接直接从返回内容中获取此href网址啊，你可以自己动手尝试下。
云朵君尝试后得到的结果是href="javascript:void(0);" rel="external nofollow" ，因此解决这一问题的方法之一是运用硒模拟浏览器获取js动态加载信息。
def get_javascript0_links(url, class_name, class_name_father, sleep_time=0.02):
"""
Selenium模拟用户点击爬取url
:param url: 目标页面
:param class_name: 模拟点击的类
:param class_name_father： 模拟点击的类，此类为class_name的父类
:param sleep_time: 留给页面后退的时间
:return: list, 点击class为class_name进去的超链接
"""
def wait(locator, timeout=15):
"""等到元素加载完成"""
WebDriverWait(driver, timeout).until(EC.presence_of_element_located(locator))
options = Options()
# options.add_argument("--headless") # 无界面,若你需要查看界面内容，可以将此行注释掉
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]) # 模拟用户点击
for i in range(linkNum):
print(i)
wait(locator)
elements = driver.find_elements_by_class_name(class_name) # 再次获取元素，预防StaleElementReferenceException
driver.execute_script("arguments[0].click();", elements[i]) # 模拟用户点击
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)
接下来通过主函数将所有步骤串起。
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
获取到的数据结果如下：
>>> 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)
运用中文分词库jieba分词，并去除撤销词。
def get_cut_words(content_series):
"""
:param content_series: 需要分词的内容
:return: list, 点击class为class_name进去的超链接
"""
# 读入停用词表
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())
# 添加关键词
my_words = ['倪妮', '刘诗诗', '锁锁', '蒋三岁', '陈道明']
for i in my_words:
jieba.add_word(i)
# 自定义停用词
my_stop_words = ['哈哈哈','哈哈哈哈', '真的']
stop_words.extend(my_stop_words)
# 分词
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] # 条件筛选
return word_num_selected
运用升级版词云图库stylecloud可视化弹幕结果。
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='流金岁月-词云.png')
Image(filename='流金岁月-词云.png')
