【爬虫+数据清洗+可视化分析】舆情分析哔哩哔哩”阳了”的评论

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
三、演示视频
四、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。

以前大家见面都问”吃了没”，最近大家见面都问”阳了没”，奈何疫情反反复复，惟愿身体安康！

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 timefrom 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"世界杯"相关的视频IDbid_list = ['BV1DP411g7jx', 'BV1M24y117K3', 'BV1nt4y1N7Kj']# 评论最大爬取页（每页20条评论）max_page = 30# 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：