《民国奇探》的弹幕有点逗比，用 Python 爬下来看看

电视剧《民国奇探》是一部充斥着逗比风的探案剧，剧中主要角色：三土、四爷、白小姐，三土这个角色类似于《名侦探柯南》中的柯南但带有搞笑属性，四爷则类似于毛利小五郎但有大哥范且武功高强，三土尚文四爷尚武，白小姐大多时候扮演着傻白甜的角色。

因为该剧目前大多数时候都处于爱奇艺电视剧的榜首位置，所以自己也看了几集，总的来说剧情紧凑，剧风逗比，当然最令我印象深刻的还是网友们逗比的弹幕，所以我决定用 Python 将弹幕爬下来大家一起瞧瞧。

数据爬取

现在开始我们的爬取工作，先用浏览器打开电视剧的网页，地址为：https://www.iqiyi.com/v_19rx2un304.html?vfrm=pcw_home&vfrmblk=B&vfrmrst=fcs_0_t12，我们使用开发者工具的 Network 功能，进到 Network 控制台后，我们先使用 Ctrl+R 命令重新加载一下网页，然后再通过过滤器搜索 bullet，如下图所示：这里的弹幕数据是以 .z 形式的压缩文件存在的，如下图所示：我们可以看出压缩文件命名规则为 tvid_300_n.z，所以我们先来获取 tvid 列表，代码实现如下所示：

def get_tvid():    # tv_id 列表    tv_id_list = []    for i in range(1, 5):        url = 'https://pcw-api.iqiyi.com/albums/album/avlistinfo?' \              'aid=245212201&page='\              + str(i) + '&size=30'        res = requests.get(url).text        res_json = json.loads(res)        # 视频列表        move_list = res_json['data']['epsodelist']        for j in move_list:            tv_id_list.append(j['tvId'])    return tv_id_list

获取到 tvid 列表后，我们就可以根据 tvid 获取弹幕的压缩文件了，然后再对其进行解压及存储，实现代码如下所示：

def save_bullet(tvid):    for page in range(1, 10):        url = 'https://cmts.iqiyi.com/bullet/'\              + tvid[-4:-2] + '/'\              + tvid[-2:] + '/'\              + tvid + '_300_'\              + str(page) + '.z'        print(url)        # 请求弹幕压缩文件        res = requests.get(url).content        res_byte = bytearray(res)        try:            xml = zlib.decompress(res_byte).decode('utf-8')            # 保存路径            path = 'data/' + tvid + '_300_' + str(page) + '.xml'            with open(path, 'w', encoding='utf-8') as f:                f.write(xml)        except:            return

文件存储到本地之后，我们先获取每一个文件的全路径名，实现代码如下所示：

def get_file(path):    for root, ds, fs in os.walk(path):        for f in fs:            yield root + '/' + f

获取到所有文件全路径名后，我们再根据全路径名获取文件并解析弹幕文本信息，实现代码如下所示：

def get_bullet_text(f):    DOMTree = parse(f)    collection = DOMTree.documentElement    # 评论文本内容    xml_list = collection.getElementsByTagName('content')    content_list = []    for j in xml_list:        content_list.append(j.childNodes[0].data)    return content_list

最后，我们可以将整个弹幕字符串信息保存起来，因为我本次爬取的弹幕信息并不是特别多，所有就先存到 txt 文件中吧，实现代码如下所示：

def save2txt(content):    with open('bullet.txt', 'a', encoding='utf-8') as file:        file.write(content)

词云展示

数据保存完了之后，我们再来个词云展示吧，代码实现如下所示：

def jieba_():    content = open('bullet.txt', 'rb').read()    # jieba 分词    word_list = jieba.cut(content)    words = []    # 过滤掉的词    remove_words = ['还是', '不会', '一些', '所以', '果然',                    '起来', '东西', '为什么', '真的', '这么',                    '但是', '怎么', '还是', '时候', '一个',                    '什么', '自己', '一切', '样子', '一样',                    '没有', '不是', '一种', '这个', '为了']    for word in word_list:        if word not in remove_words:            words.append(word)    global word_cloud    # 用逗号隔开词语    word_cloud = '，'.join(words)
def cloud():    # 打开词云背景图    cloud_mask = np.array(Image.open('bg.png'))    # 定义词云的一些属性    wc = WordCloud(        # 背景图分割颜色为白色        background_color='white',        # 背景图样        mask=cloud_mask,        # 显示最大词数        max_words=300,        # 显示中文        font_path='./fonts/simhei.ttf',        # 最大尺寸        max_font_size=70    )    global word_cloud    # 词云函数    x = wc.generate(word_cloud)    # 生成词云图片    image = x.to_image()    # 展示词云图片    image.show()    # 保存词云图片    wc.to_file('mgqt.png')

看一下效果：

END

标签：word,tvid,Python,res,爬下来,list,content,弹幕
来源： https://blog.51cto.com/u_15283574/2952001