python爬取b站弹幕并进行数据分析_【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 classCrawlThread(threading.Thread):2 def __init__(self, url: str, name: str, data_queue: Queue):3 """

4 initial function5 :param url: room url6 :param name: thread name7 :param data_queue: data queue8 """

9 super(CrawlThread, self).__init__()10 self.room_url =url11 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 =name21 self.data_queue =data_queue22

23 defrun(self):24 """

25 send request and receive response26 :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_url34 #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 exceptException 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 classParseThread(threading.Thread):2 def __init__(self, url: str, name: str, data_queue: Queue):3 """

4 initial function5 :param url: room url6 :param name: thread name7 :param data_queue: data queue8 """

9 super(ParseThread, self).__init__()10 self.name =name11 self.data_queue =data_queue12 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 defrun(self):17 """

18 get data from queue19 :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 defparse(self, comments):27 """

28 parse comment to get message29 :return:30 """

31 for x incomments: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 defsave_msg(self, msg: dict):42 """

43 save comment to MongoDB44 :param msg: comment45 :return:46 """

47 try:48 self.col.insert_one(msg)49 exceptException 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：

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 words4 :param txt: input text5 :return:6 """

7 #cut words

8 seg_list =jieba.cut(txt)9 c =Counter()10 #count words

11 for x inseg_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" +k18 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 defgenerate_word_cloud(text):2 """

3 generate word cloud4 :param text: text5 :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！