python爬取哔哩哔哩网页弹幕内容,并将爬取的内容以五角星的形式显示出来

阿里云双11来了!从本博客参与阿里云,服务器最低只要86元/年!


在这里插入图片描述

思路:

  • 向哔哩哔哩网站发送请求
  • 请求成功后,解析爬取的弹幕内容保存到一个文件中
  • 读取文件并分析弹幕内容中词组或文字出现的频率
  • 将这些词组或文字组成五角星图形
  • 组成五角星图形后,以图片的形式输出

使用到的类库,如果没有,需要下载,下载命令:

pip install requests
pip install bs4
pip install pandas
pip install lxml        # 在解析xml文件时,需要使用
pip install jieba
pip install wordcloud
pip install imageio
pip install matplotlib

实现:

import requests
from bs4 import BeautifulSoup
import pandas as  pd
import re
import jieba
from wordcloud import WordCloud
from imageio import imread
import matplotlib.pyplot as plt
'''
python学习交流群:821460695更多学习资料可以加群获取
'''
# 网页地址,该地址只针对哔哩哔哩弹幕网有效,获取方式查看
url = "http://comment.bilibili.com/124001121.xml"
# 网站访问的用户代理,建议携带,不携带可能无法访问
header = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36"
}
# 向对方服务器发送请求,返回访问状态,
# 返回状态如果是以[2]开头,表示访问成功,[4]开头表示网页不存在,[5]开头网站内部错误
# 访问状态无法直接读取,需通过属性[text]获取
response = requests.get(url,header)
# 获取网页的编码规则,建议通过该方式获取,而不是直接赋值,可能存在设置不对的情况,可能不是中文网页
# response.encoding = "utf-8"
response.encoding = response.apparent_encoding
# print(response.text)
# 获取网页文本内容
data = response.text
'''
--将获取到的弹幕内容处理后存放在txt文件中,并读取出来
--网页获取的弹幕内容是带html标签的,需要将标签和非汉字的内容清除
'''
# 解析文本xml,处理不规范标记并生成剖析树
soup = BeautifulSoup(data,'lxml')  
# print(soup)
# 获取所有<d>标签中的内容,此时是带标签的文本内容
d_list = soup.find_all('d')
# 去掉<d>标签,将文本内容存在在列表dlst
dlst = []
for d in d_list:
    danmu = {}
    danmu['弹幕'] = d.text  # 循环获取所有<d>标签中内容
    dlst.append(danmu)
df = pd.DataFrame(dlst) # 将列表dlst中的内容存放在数据集中,类似于Excel表格
# print(df)
# 创建并打开一个文件
f = open('cl.txt','w',encoding='utf-8')
# 进行文本过滤
for i in df['弹幕'].values: # 遍历数据集中的所有的弹幕内容
    pat = re.compile(r'[一-龥+]')    # 定义过滤规则,只保留中文汉字,该正则表达式几乎包含了所有汉字龥(yu,第四声)
    filter_data = re.findall(pattern=pat,string=i)     # 执行过滤操作
    f.write(''.join(filter_data))     # 将过滤后的弹幕内容写入创建的[cl.txt]文件中
f.close()
'''
--读取弹幕内容所在的文件[cl.txt]
'''
f1 = open('cl.txt','r',encoding='utf-8')
data = f1.read()
'''
--将弹幕内容分割成词组,并组合成五角星的图案
'''
result = " ".join(jieba.lcut(data))
f1.close()
color_mask = imread("五角星.jpg")         # 设置数据组合的图形,最好使用空心的图片
wc = WordCloud(
    font_path="C:\Windows\Fonts\simsun.ttc",        # 数据显示的字体
    width=1000,
    height=800,
    background_color='white',       # 词云的背景色
    mask=color_mask         # 词云组成的图形,默认为二维
)
wc.generate(result)     # 将弹幕内容生成词云
wc.to_file('clanned.png')       # 词云输出文件
'''
--显示弹幕内容组成的图片
'''
plt.imshow(wc)
plt.show()

知识点:

  • request 向对方服务器发送请求
  • BeautifulSoup 解析爬取的弹幕内容
  • pandas 分析弹幕数据
  • jieba 中文分词器,或称为中文词组切片器
  • wordcloud 加载弹幕文本,并输出文件(这里使用图片的方式输出)
  • matplotlib.pyplot 将整理后的弹幕文本以图形的方式输出(这里是以五角星的图片为例)
  • imread 读取图片

问题:

  • 爬取的弹幕内容被保存在了文件后,后又重新读取,是否可以不存放在文件中,直接使用列表或者其他对象存储,然后再读取?保存在文件和直接读取的优缺点是什么?
  • 弹幕内容中除了汉字,实际上还包含了大量的字母,表情符号,这些内容可以通过什么正则表达式进行筛选,能否同时跟汉字一起筛选出来?
  • 在导包的时候,使用[from scipy.misc import imread]报错,用[from imageio import imread]代替即可。为什么使用scipy.misc中的imread报错?

https://www.jianshu.com/p/604993024519

Python量化投资网携手4326手游为资深游戏玩家推荐:《《食物语》:你可能不知道的食魂小知识。

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论