【Python3爬虫】我爬取了七万条弹幕，看看RNG和SKT打得怎么样

一、写在前面

　　直播行业已经火热几年了，几个大平台也有了各自独特的“弹幕文化”，不过现在很多平台直播比赛时的弹幕都基本没法看的，主要是因为网络上的喷子还是挺多的，尤其是在观看比赛的时候，很多弹幕不是喷选手就是喷战队，如果看了这种弹幕，真是让比赛减分不少。

　　但和别的平台比起来，B 站的弹幕会好一些。正好现在是英雄联盟的世界总决赛时间，也有不少人选择在 B 站看比赛直播，那么大家在看直播的时候会发什么弹幕呢？话不多说，这就用 Python 写个爬虫来爬取 B 站直播时的弹幕吧！

二、爬取分析

　　首先打开 Bilibili，然后找到英雄联盟比赛的直播间：

　　我得到的直播间的链接为：https://live.bilibili.com/6?broadcast_type=0&visit_id=8abcmywu95s0#/，这个链接中的 broadcast_type 和 visit_id 是随机生成的，不过对我们的爬取也没影响，只要找到直播间的链接就好了。

　　打开开发者工具，切换到 NetWork，点选上 XHR，在其中能找到一个请求：https://api.live.bilibili.com/ajax/msg。这个请求需要四个参数（roomid，csrf_token，csrf，visit_id），其中 roomid 为直播间的 id，csrf_token 和 csrf 可以从浏览器上 copy，visit_id 为空。该请求返回的结果中包含十条弹幕信息，包括弹幕内容、弹幕发送人昵称等等。所以要获得更多弹幕内容，我们只需要一直发送这个请求就 OK 了！

三、爬取实现

　　通过前面的分析可以发现要爬取 B 站直播弹幕还是很轻松的，但是要得到大量弹幕可能就需要考虑使用多线程了。对于爬取到的弹幕，还要及时地保存下来，这里我选择使用 MongoDB 数据库来保存弹幕信息。在爬取直播弹幕的时候，我开了四个线程来爬取，开了两个线程来解析和保存数据，线程之间使用队列来处理数据。

　　这里建了两个类 CrawlThread 和 ParseThread，CrawThread 是用于爬取弹幕的线程，ParseThread 是用于解析和保存弹幕的线程，两个类都继承了 threading.Thread，并重写了 run() 方法。下面是爬取弹幕的代码内容：

 1 class CrawlThread(threading.Thread):
 2     def __init__(self, url: str, name: str, data_queue: Queue):
 3         """
 4         initial function
 5         :param url: room url
 6         :param name: thread name
 7         :param data_queue: data queue
 8         """
 9         super(CrawlThread, self).__init__()
10         self.room_url = url
11         self.room_id = re.findall(r"/(\d+)\?", url)[0]
12         self.headers = {
13             "Accept": "application/json, text/plain, */*",
14             "Content-Type": "application/x-www-form-urlencoded",
15             "Origin": "https://live.bilibili.com",
16             "Referer": "",
17             "Sec-Fetch-Mode": "cors",
18             "UserAgent": get_random_ua()
19         }
20         self.name = name
21         self.data_queue = data_queue
22 
23     def run(self):
24         """
25         send request and receive response
26         :return:
27         """
28         while 1:
29             try:
30                 time.sleep(1)
31                 msg_url = "https://api.live.bilibili.com/ajax/msg"
32                 # set referer
33                 self.headers["Referer"] = self.room_url
34                 # set data
35                 data = {
36                     "roomid": self.room_id,
37                     "csrf_token": "e7433feb8e629e50c8c316aa52e78cb2",
38                     "csrf": "e7433feb8e629e50c8c316aa52e78cb2",
39                     "visit_id": ""
40                 }
41                 res = requests.post(msg_url, headers=self.headers, data=data)
42                 self.data_queue.put(res.json()["data"]["room"])
43             except Exception as e:
44                 logging.error(self.name, e)

　　下面是解析和保存弹幕的代码内容，主要是一直查询队列，如果队列中有数据，就取出来进行解析和保存：

 1 class ParseThread(threading.Thread):
 2     def __init__(self, url: str, name: str, data_queue: Queue):
 3         """
 4         initial function
 5         :param url: room url
 6         :param name: thread name
 7         :param data_queue: data queue
 8         """
 9         super(ParseThread, self).__init__()
10         self.name = name
11         self.data_queue = data_queue
12         self.room_id = re.findall(r"/(\d+)\?", url)[0]
13         client = pymongo.MongoClient(host=MONGO_HOST, port=MONGO_PORT)
14         self.col = client[MONGO_DB][MONGO_COL + self.room_id]
15 
16     def run(self):
17         """
18         get data from queue
19         :return:
20         """
21         while 1:
22             comments = self.data_queue.get()
23             logging.info("Comment count: {}".format(len(comments)))
24             self.parse(comments)
25 
26     def parse(self, comments):
27         """
28         parse comment to get message
29         :return:
30         """
31         for x in comments:
32             comment = {
33                 "text": x["text"],
34                 "time": x["timeline"],
35                 "username": x["nickname"],
36                 "user_id": x["uid"]
37             }
38             # print(comment)
39             self.save_msg(comment)
40 
41     def save_msg(self, msg: dict):
42         """
43         save comment to MongoDB
44         :param msg: comment
45         :return:
46         """
47         try:
48             self.col.insert_one(msg)
49         except Exception as e:
50             logging.info(msg)
51             logging.error(e)

　　从比赛开始到比赛结束，总共爬取到了76530条弹幕，在 Robot 3T 中截图如下：

四、生成词云

　　弹幕信息已经存好了，但是考虑到其中有很多表情等无用内容，所以需要将这些内容给清洗掉。清洗结束之后就能够进行分词操作了，这里我选择用 jieba 库来处理，在使用 jieba 的时候，可以设置用户词典，因为像选手 ID，英雄名称这些内容是会被分词的，但设置用户词典之后就不会被分词了，设置方法如下：

jieba.load_userdict("userdict.txt")

　　userdict.txt 中保存了选手 ID，选手外号，英雄名称等内容，在设置了用户词典后，这些内容在分词的时候都不会被分开了。在分词结束之后，需要将那些长度为1的部分清除掉，然后将出现频次高的内容提取出来，这里用到了 collecttions 中的 Counter，利用 Counter 可以很方便地统计频次。这一部分代码内容如下：

 1 def get_words(txt: str) -> str:
 2     """
 3     use jieba to cut words
 4     :param txt: input text
 5     :return:
 6     """
 7     # cut words
 8     seg_list = jieba.cut(txt)
 9     c = Counter()
10     # count words
11     for x in seg_list:
12         if len(x) > 1 and x != '\r\n':
13             c[x] += 1
14     result = ""
15     for (k, v) in c.most_common(300):
16         # print('%s %d' % (k, v))
17         result += "\n" + k
18     return result

 　　在进行完上述操作之后，就可以使用 wordcloud 这个库来生成词云了，生成词云时可以设置停止词和字体，这一部分的代码如下：

 1 def generate_word_cloud(text):
 2     """
 3     generate word cloud
 4     :param text: text
 5     :return:
 6     """
 7     # text cleaning
 8     with open("stopwords.txt", "r", encoding='utf-8') as f:
 9         stopwords = set(f.read().split("\n"))
10     wc = WordCloud(
11         font_path="font.ttf",
12         background_color="white",
13         width=1200,
14         height=800,
15         max_words=100,
16         max_font_size=200,
17         min_font_size=10,
18         stopwords=stopwords,  # 设置停用词
19     )
20     # generate word cloud
21     wc.generate("".join(text))
22     # save as an image
23     wc.to_file("rng_vs_skt.png")

 　　最终生成的词云图为：

　　可以看到很多人都在讨论 faker 的，李哥还是李哥啊，李哥的瑞兹也是强的不行，也有不少弹幕在说天使和加里奥的问题，不得不说，小虎小明的发挥是有问题的，此外还有一些说喷子的，看来 B 站的喷子也不少啊。

　　完整代码已上传到 GitHub！