EDG夺冠，用爬虫+数据分析+自然语言处理(情感分析)+数据可视化分析3万条数据：粉丝都疯了(唯一原创)
原创不易，本文禁止抄袭，转载请附上链接，违权必究forever！
目录
-
- 一、EDG夺冠信息
- 二、实战目标
-
- 2.1 网络爬虫
- 2.2 数据可视化（词云图）
- 2.3 自然语言处理（情感分析）
- 三、bilibili接口分析
- 四、编码
-
- 4.1 爬取数据
- 4.2 数据可视化（词云图）
- 五、自然语言处理（NLP）
-
- 5.1 数据导入
- 5.2 数据预处理
- 5.3 情感分析
- 5.4 情感分析直方图
- 5.5 关键词提取
- 5.6 积极弹幕与消极弹幕
- 5.7 饼图分析
- 5.8 消极弹幕分析
- 六、总结
- 七、完整项目下载
- 八、作者Info
一、EDG夺冠信息
11月6日，在英雄联盟总决赛中，EDG战队以3:2战胜韩国队，获得2021年英雄联盟全球总决赛冠军，这个比赛在全网各大平台也是备受瞩目：
1、微博热搜第一名，截止2021-11-10已有亿级观看量，微博粉丝数到达638.4万
2、哔哩哔哩已有几亿人气，总弹幕有22.3万，全站排行榜最高第2名，B站粉丝已有219.9万
3、腾讯、爱奇艺、优酷等视频平台800万人看过
4、虎牙等直播平台热度也是居高不下
5、央视新闻也发微博庆祝EDG夺冠
既然比赛热度这么高，那么本次我们就以bilibili为基准，通过采集EDG夺冠比赛视频在哔哩哔哩的3万条弹幕数据，再通过Python来分析进而感受粉丝的热情
二、实战目标
2.1 网络爬虫
利用爬虫技术抓取EDG战队在B站夺冠比赛视频的3万条弹幕数据
2.2 数据可视化（词云图）
通过jieba、numpy等Python库对抓取来的弹幕数据进行分析并且可视化
2.3 自然语言处理（情感分析）
利用pandas+自然语言处理(NLP)等对EDG夺冠比赛视频的3万条弹幕数据进行情感分析，根据分析结果得出一些结论
三、bilibili接口分析
首先进入EDG夺冠比赛视频URL：
https://www.bilibili.com/video/BV1EP4y1j7kV?p=1
哔哩哔哩已为大家整理好了EDG比赛视频，从开幕式到夺冠时刻，共有7个视频
哔哩哔哩弹幕数据接口：
http://api.bilibili.com/x/v1/dm/list.so?oid=XXX
这个接口就是B站弹幕数据专用接口，我们可以直接拿来用，这个接口中的oid可以理解为每个视频中的唯一标识符，它由数字组成，每一个视频都有唯一的一个oid，那么我们只要找到oid就可以请求相应比赛视频弹幕的API接口，从而抓取弹幕数据
获取oid
打开开发者工具，切换到Network选项，然后找到以pagelist为开头的请求接口
接着找到Request URL这个请求接口，打开新窗口直接用这个API接口请求，如下图：
当我们直接请求这个API接口时可以看到JSON格式的数据，而在里面的cid就是我们需要的oid，如下所示：
{
"code":0,"message":"0","ttl":1,"data":[{
"cid":437586584,"page":1,"from":"vupload","part":"第一局 4K","duration":2952,"vid":"","weblink":"","dimension":{
"width":1920,"height":1080,"rotate":0}},{
"cid":437626309,"page":2,"from":"vupload","part":"第二局 4K","duration":3031,"vid":"","weblink":"","dimension":{
"width":1920,"height":1080,"rotate":0}},{
"cid":437659159,"page":3,"from":"vupload","part":"第三局 4K","duration":3406,"vid":"","weblink":"","dimension":{
"width":1920,"height":1080,"rotate":0}},{
"cid":437727348,"page":4,"from":"vupload","part":"第四局 4K","duration":3212,"vid":"","weblink":"","dimension":{
"width":1920,"height":1080,"rotate":0}},{
"cid":437729555,"page":5,"from":"vupload","part":"第五局 4K","duration":3478,"vid":"","weblink":"","dimension":{
"width":1920,"height":1080,"rotate":0}},{
"cid":437550300,"page":6,"from":"vupload","part":"开幕式","duration":984,"vid":"","weblink":"","dimension":{
"width":1920,"height":1080,"rotate":0}},{
"cid":437717574,"page":7,"from":"vupload","part":"夺冠时刻","duration":2017,"vid":"","weblink":"","dimension":{
"width":1920,"height":1080,"rotate":0}}]
当然我们也可以点击**Preview**选项，点击data，打开数据，而里面的JSON数据是**折叠**的，包括cid在内，如下图所示：
可以看到，每个cid对应每一个比赛视频。我们也可以点击Response选项，里面的数据是真实的数据，意味着数据没有经过折叠，与直接请求Request URL返回的JSON数据是一样的
四、编码
4.1 爬取数据
定义一个获取cid的方法
import requests
import json
def get_cid():
url = 'https://api.bilibili.com/x/player/pagelist?bvid=BV1EP4y1j7kV&jsonp=jsonp'
try:
response = requests.get(url,timeout=None)
if response is not None:
return response.text
else:
return Nnone
except Exception as e:
print(e.args)
if __name__ == '__main__':
data = get_cid()
json_data = json.loads(data)
for cid_datas in json_data['data']:
cid = cid_datas.get('cid')
print(cid)
控制台输出如下：
拼接URL弹幕数据API接口
if __name__ == '__main__':
data = get_cid()
json_data = json.loads(data)
base_api = 'http://api.bilibili.com/x/v1/dm/list.so?oid='
for cid_datas in json_data['data']:
cid = cid_datas.get('cid')
detail_api = base_api + str(cid)
print(detail_api)
控制台输出如下：
一共有7个网址，对应7个EDG比赛视频的弹幕数据，我们点开第一个网址查看
抓取弹幕数据
从上一张图可以看到，每一条弹幕数据都在每一个标签中，面对这种格式我们思考一下用哪种解析工具比较合适？答案当然是正则表达式，接下来我们要获取7个比赛视频的22.3万条数据，代码如下：
base_api = 'http://api.bilibili.com/x/v1/dm/list.so?oid='
all_api = []
for cid_datas in json_data['data']:
cid = cid_datas.get('cid')
detail_api = base_api + str(cid)
all_api.append(detail_api)
for api in all_api:
edg_datas = get_api_data(detail_api)
edg_datas = re.findall('(.*?)' ,edg_datas,re.S)
with open('EDG.txt','a',encoding='utf-8') as f:
for edg_data in edg_datas:
print(edg_data)
f.write(edg_data + '\n')
避免乱码，加上如下代码：
response.encoding = chardet.detect(response.content)['encoding']
控制台输出如下：
由于弹幕数据共有3万条，这里仅展示EDG.txt部分弹幕数据，如下图所示：
4.2 数据可视化（词云图）
我们已经抓取到弹幕数据，接下来利用EDG背景图做一个词云图
代码如下：
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
def do_wordcloud():
text = open('EDG.txt','r',encoding='utf-8').read()
text = text.replace('\n','').replace('\u3000','')
text_cut = jieba.lcut(text)
text_cut = ' '.join(text_cut)
#过滤一些没有关系的词
stop_words = ['“','，',' ','我','的','是','了','：','？','！','啊','你','吗','。','我们']
background = Image.open("EDG.jpg")
graph = np.array(background)
word_cloud = WordCloud(font_path='simsun.ttc',
background_color='white',
mask=graph, # 指定词云的形状
stopwords=stop_words)
word_cloud.generate(text_cut)
plt.subplots(figsize=(12,8))
plt.imshow(word_cloud)
plt.axis('off')
plt.show()
word_cloud.to_file('edg.png')
控制台输出如下：
把迪迦奥特曼背景图片也制作一波吧，啊哈哈哈！
制作成迪迦奥特曼词云图形状，如下所示：
五、自然语言处理（NLP）
5.1 数据导入
data = pd.read_csv('EDG.csv')
data = data.head()
print(data)
控制台输出如下：
5.2 数据预处理
data = pd.read_csv('EDG.csv')
data = data[['id','content']]
data = data.head(10)
print(data)
控制台输出如下：
5.3 情感分析
先安装一下用于情感分析的Python库：
pip install snownlp -i https://pypi.doubanio.com/simple
效果如下：
情感分析
由于数据过大，这里仅看部分
from snownlp import SnowNLP
data1['emotion'] = data1['content'].apply(lambda x:SnowNLP(x).sentiments)
data1 = data1.head()
print(data1)
控制台输出：
情感数据描述
data1 = data1.describe()
控制台输出：
数据说明：emotion的平均值为0.63，中位数为0.67，25%分位数为0.49，可见不到25%的数据造成了整体均值的较大下移。另外上图的最下面可以看到，情感分析执行时间为48.8s，数据量还是挺大的。
5.4 情感分析直方图
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
bins = np.arange(0,1.1,0.1) #设置区间
plt.hist(data1['emotion'],bins,color='#4F94CD',alpha=0.9)
plt.xlim(0,1)
plt.xlabel('情感分析')
plt.ylabel('数量')
plt.title('情感分析直方图')
plt.show()
控制台输出：
数据说明：
- 由直方图可见，弹幕情感呈逐渐上升的趋势，说明粉丝对EDG夺冠情绪逐渐兴奋，很激动；
- 近3万条弹幕数据中有约4500条弹幕情感分在[0.5，0.6区间内；同时，有约4800条弹幕情感分在[0.8，0.9]区间内，这个区间粉丝的情绪最亢奋，估计是夺冠时刻，哈哈哈！
- 从区间[0.5，0.6]过渡到[0.6，0.7]以及从区间[0.8，0.9]过渡到[0.9，1.0]弹幕情绪出现下降，可能是因为在比赛中出现一些问题或者是比赛落幕了
5.5 关键词提取
from jieba import analyse
key_words = analyse.extract_tags(sentence=text_cut,topK=10,withWeight=True,allowPOS=())
print(key_words)
控制台输出：
数据说明：
- 以上关键词显示，粉丝发的弹幕中“冠军”是最多的，然后是“翻译”，”我们”，“卧槽”，“小姐姐”，“EDG”，“泪目“，”圣枪哥“，”贺电“，”edg“，由此看来，EDG真的很受欢迎，翻译小姐姐也挺受欢迎的。这在上面的词云图中也可以看得出来
参数说明：
- sentence是需要提取的字符串，必须是str类型，不能是list
- topK表示提取前多少个关键字
- withWeight表示是否返回每个关键词的权重
- allowPOS表示允许提取的词性，默认提取地名(ns)、名词(n)、动名词(vn)、动词(v)
5.6 积极弹幕与消极弹幕
计算积极弹幕与消极弹幕各自的数目：
pos,neg = 0,0
for i in data1['emotion']:
if i >= 0.5:
pos += 1
else:
neg += 1
print(f'积极弹幕数据为：{
pos}' + '\n' + f'消极弹幕数据为：{
neg}')
控制台输出：
积极弹幕数据为：17941
消极弹幕数据为：6054
5.7 饼图分析
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
pie_labels = 'positive','negative'
plt.pie([pos,neg],labels=pie_labels,autopct='%1.2f%%',shadow=True)
plt.show()
控制台输出：
由上图可见，由74.77%的弹幕数据是积极的，有25.23%的弹幕数据是消极的，总体来看，积极弹幕还是比较多的
5.8 消极弹幕分析
取出部分消极弹幕数据
data2 = data1[data1['emotion'] < 0.5]
data2 = data2.head()
print(data2)
控制台输出：
数据说明：
- 上图中的“回血”，“求生欲”等消极弹幕有可能是EDG战队或者韩国队比赛不佳造成的
六、总结
PIL库
jieba库
numpy库
pandas库
requests库
wordcloud库
matplotlib库
json,re,chardet库
snownlp情感分析库
七、完整项目下载
本人博客园原文链接：阅读原文
完整项目下载链接：下载
本人原创公众号原文链接：阅读原文
原创不易，如果觉得有趣好玩，希望可以随手点个赞，拜谢各位老铁！
最近发现CSDN上好多人抄袭本人博客，还比我热度高，哎！毕竟是10月份才刚刚开始写博客，虽然是18年创建的账号，知名度和粉丝没有别人高啊！
八、作者Info
作者：小鸿的摸鱼日常，Goal：让编程更有趣！
原创微信公众号：『小鸿星空科技』，专注于算法、爬虫，网站，游戏开发，数据分析、自然语言处理，AI等，期待你的关注，让我们一起成长、一起Coding！
转载说明：务必注明来源（注明：来源于公众号：小鸿星空科技， 作者：小鸿的摸鱼日常）