如何用Python爬取弹幕

整篇文章分为两部分：1.爬取爱奇艺中该剧第一集的弹幕 2.对爬取出来的弹幕做处理，并制作词云。

1.爬取爱奇艺弹幕

相比于其他视频网站来说，爱奇艺的弹幕难爬一些，为啥呢，因为你爬取出来的文件是乱码的（下边会贴图），需要自己再把该文件二进制编码之后才能用。具体步骤如下：

首先，打开浏览器，进入爱奇艺页面，点开该剧，弹幕打开，然后F12，浏览器下方或者右侧会弹出一些界面，选择Network，在我图上标注的框中输入“bullet”搜索弹幕相关的文件，为啥输入这个搜索呢，因为这个单词的意思就是弹幕，程序员命名东西一般也是有规律的，还有大多视频网站的弹幕相关文件都是这个名字哈哈。如果你F12搜索之后无内容，那直接点击下浏览器刷新按钮即可。下图中箭头指的分别是Network、搜索框、弹幕文件名和弹幕内容（你可以看到，弹幕内容是乱七八糟的乱码）。还有说明一点，弹幕文件一集不止一个，爱奇艺5分钟加载一个弹幕文件（为啥5分钟，下边会解释）。

 

接下来，观察弹幕文件出现的规律以及弹幕文件地址中的规律，总结为以下：

弹幕文件链接规律为

https://cmts.iqiyi.com/bullet/tvid倒数4位的前两位/tvid最后两位/tvid_300_x.z；

x的计算方式为片子总时长除以300秒向上取整，即按每5分钟一个包。

tvid是啥呢，就是你URL导航栏里的这块，x为啥按5分钟一个包呢，是因为我F12之后查看两个相邻的弹幕文件包，它就是5分钟加载一个。

 

 

 

 

那第一集总共时长77分钟，按5分钟加载一个弹幕文件的话，向上取整，我们总共要抓取16个（77/5+1）弹幕文件。

抓取代码为：

import zlib
import requests
for x in range(16):
    x+=1
    #x是从1到16，16怎么来的，第一集总共77分钟，爱奇艺每5分钟会加载新的弹幕
    #77除以5向上取整
    url='https://cmts.iqiyi.com/bullet/92/00/9000000005439200_300_'+str(x)+'.z'
    bulletold=requests.get(url).content #这步取出来的文件是乱码的
    bulletnew = bytearray(bulletold)#将上一步的乱码文件用二进制再编码下
    xml=zlib.decompress(bulletnew, 15+32).decode('utf-8')
    #把编码好的文件分别写入16个xml文件中（类似于txt文件），方便后边取数据

    with open('./iqiyi'+str(x)+'.xml','a+',encoding='utf-8') as f:
        f.write(xml)
    f.close()

 

抓取出来的xml文件为下图，能看出来content字段就是弹幕：

 

将xml文件中的content字段取出来存为dan_mu.txt文件，方便我们之后做词云:

from xml.dom.minidom import parse
import xml.dom.minidom
for x in range(16):
    x+=1
    DOMTree = xml.dom.minidom.parse(r"C:\Users\dmj\PycharmProjects\test\iqiyi"+str(x)+".xml")
    collection = DOMTree.documentElement
    # 在集合中获取所有entry数据
    entrys = collection.getElementsByTagName("entry")
    print(entrys)
    for entry in entrys:
        content = entry.getElementsByTagName('content')[0]
        print(content.childNodes[0].data)
        i = content.childNodes[0].data
        with open("dan_mu.txt", mode="a+", encoding="utf-8") as f:
                f.write(i)
                f.write("\n")

dan_mu.txt文件大概长这样：

 

2.制作词云

制作词云使用python的wordcloud库和jieba库，代码如下：

from wordcloud import WordCloud
import jieba
import matplotlib.pyplot as plt
#读取弹幕txt文件
with open('./dan_mu.txt',encoding = 'utf-8', mode = 'r')as f:
    myText = f.read()
myText = " ".join(jieba.cut(myText))
list = myText.split(" ")

#清洗无用数据
for i in range(len(list)-1,-1,-1):
    if len(list[i])==1 or list[i]=="这个" or \
            list[i]=="不是" or list[i]=="这么" \
            or list[i]=="怎么" or list[i]=="这是"\
            or list[i]=="还是":
        list.remove(list[i])
#print(list)
myText= " ".join(list)
print(myText)

# 制作词云
wordcloud = WordCloud(background_color="white", font_path="simsun.ttf", height=300, width = 400).generate(myText)
# 图片展示
plt.imshow(wordcloud)
plt.axis("off")
plt.show()
# 将词云图片导出到当前文件夹
wordcloud.to_file("wordCloudMo.png")

在此处可能会遇到的问题是，wordcloud这个外部库你在下载的时候可能会遇到各种花式报错，如何解决呢，参见下边这位老哥的方法：

https://blog.csdn.net/qq_42813128/article/details/82020510

词云图结果如下：

 

从词云图中我们可以看到，“真实”，“孩子”，“严良”，“普普”，“演技”等词语出现的频率很高。“真实”，“演技”，“厉害”等词语是大家对这部剧的肯定；“孩子”指的是这三个主演的小孩；“普普”的演技真的很不错，大家都猜测她会不会成为下一个张子枫。

总体来讲，弹幕中大家对这部剧基本都是好评，所以还是值得一看的。

---