您当前的位置:首页 >> 要闻 > > 
观天下!【爬虫+数据清洗+可视化】用Python分析“淄博烧烤“的评论数据
来源: 博客园      时间:2023-05-30 15:20:44
目录一、背景介绍二、爬虫代码2.1 展示爬取结果2.2 爬虫代码讲解三、可视化代码3.1 读取数据3.2 数据清洗3.3 可视化3.3.1 IP属地分析-柱形图3.3.2 评论时间分析-折线图3.3.3 点赞数分布-箱线图3.3.4 评论内容-情感分布饼图3.3.5 评论内容-词云图四、技术总结五、演示视频六、完整源码一、背景介绍

您好,我是@马哥python说 ,一枚10年程序猿。

自从2023.3月以来,"淄博烧烤"现象持续占领热搜流量,体现了后疫情时代众多网友对人间烟火气的美好向往,本现象级事件存在一定的数据分析实践意义。


(资料图片仅供参考)

我用Python爬取并分析了B站众多网友的评论,并得出一系列分析结论。

二、爬虫代码2.1 展示爬取结果

首先,看下部分爬取数据:

爬取字段含:视频链接、评论页码、评论作者、评论时间、IP属地、点赞数、评论内容

2.2 爬虫代码讲解

导入需要用到的库:

import requests  # 发送请求import pandas as pd  # 保存csv文件import os  # 判断文件是否存在import timefrom time import sleep  # 设置等待,防止反爬import random  # 生成随机数

定义一个请求头:

# 请求头headers = {    "authority": "api.bilibili.com",    "accept": "application/json, text/plain, */*",    "accept-language": "zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6",    # 需定期更换cookie,否则location爬不到    "cookie": "需换成自己的cookie值",    "origin": "https://www.bilibili.com",    "referer": "https://www.bilibili.com/video/BV1FG4y1Z7po/?spm_id_from=333.337.search-card.all.click&vd_source=69a50ad969074af9e79ad13b34b1a548",    "sec-ch-ua": ""Chromium";v="106", "Microsoft Edge";v="106", "Not;A=Brand";v="99"",    "sec-ch-ua-mobile": "?0",    "sec-ch-ua-platform": ""Windows"",    "sec-fetch-dest": "empty",    "sec-fetch-mode": "cors",    "sec-fetch-site": "same-site",    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.47"}

请求头中的cookie是个很关键的参数,如果不设置cookie,会导致数据残缺或无法爬取到数据。

那么cookie如何获取呢?打开开发者模式,见下图:

由于评论时间是个十位数:

所以开发一个函数用于转换时间格式:

def trans_date(v_timestamp):    """10位时间戳转换为时间字符串"""    timeArray = time.localtime(v_timestamp)    otherStyleTime = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)    return otherStyleTime

向B站发送请求:

response = requests.get(url, headers=headers, )  # 发送请求

接收到返回数据了,怎么解析数据呢?看一下json数据结构:

0-19个评论,都存放在replies下面,replies又在data下面,所以,这样解析数据:

data_list = response.json()["data"]["replies"]  # 解析评论数据

这样,data_list里面就是存储的每条评论数据了。

接下来吗,就是解析出每条评论里的各个字段了。

我们以评论内容这个字段为例:

comment_list = []  # 评论内容空列表# 循环爬取每一条评论数据for a in data_list:    # 评论内容    comment = a["content"]["message"]    comment_list.append(comment)

其他字段同理,不再赘述。

最后,把这些列表数据保存到DataFrame里面,再to_csv保存到csv文件,持久化存储完成:

# 把列表拼装为DataFrame数据df = pd.DataFrame({    "视频链接": "https://www.bilibili.com/video/" + v_bid,    "评论页码": (i + 1),    "评论作者": user_list,    "评论时间": time_list,    "IP属地": location_list,    "点赞数": like_list,    "评论内容": comment_list,})# 把评论数据保存到csv文件df.to_csv(outfile, mode="a+", encoding="utf_8_sig", index=False, header=header)

注意,加上encoding="utf_8_sig",否则可能会产生乱码问题!下面,是主函数循环爬取部分代码:(支持多个视频的循环爬取)

# 随便找了几个"淄博烧烤"相关的视频IDbid_list = ["BV1dT411p7Kd", "BV1Ak4y1n7Zb", "BV1BX4y1m7jP"]# 评论最大爬取页(每页20条评论)max_page = 30# 循环爬取这几个视频的评论for bid in bid_list:    # 输出文件名    outfile = "b站评论_{}.csv".format(now)    # 转换aid    aid = bv2av(bid=bid)    # 爬取评论    get_comment(v_aid=aid, v_bid=bid)
三、可视化代码

为了方便看效果,以下代码采用jupyter notebook进行演示。

3.1 读取数据

用read_csv读取刚才爬取的B站评论数据:

查看前3行及数据形状:

3.2 数据清洗

处理空值及重复值:

3.3 可视化3.3.1 IP属地分析-柱形图

结论:从柱形图来看,山东位居首位,说明淄博烧烤也受到本地人大力支持,其次是四川、广东等地讨论热度最高。

3.3.2 评论时间分析-折线图

结论:从折线图来看,4月26日左右达到讨论热度顶峰,其次是5月1号即五一劳动节假期第一天,大量网友的"进淄赶烤"也制造了新的讨论热度。

3.3.3 点赞数分布-箱线图

由于点赞数大部分为0或个位数情况,个别点赞数到达成千上万,箱线图展示效果不佳,因此,仅提取点赞数<10的数据绘制箱线图。结论:从箱线图来看,去除超过10个点赞数评论数据之后,大部分评论集中在0-3个点赞之间,也就是只有少量评论引起网友的点赞共鸣和认可。

3.3.4 评论内容-情感分布饼图

针对中文评论数据,采用snownlp开发情感判定函数:

情感分布饼图,如下:结论:从饼图来看,积极和消极分别占比不到一半,说明广大网友在认可淄博烧烤现象的同时,也有大量负面讨论存在,比如讨论烧烤的价格略高、住宿条件欠佳、环境污染等负面话题。

3.3.5 评论内容-词云图

由于评论内容中存在很多"啊"、"的"、"了"等无意义的干扰词,影响高频词的提取,因此,采用哈工大停用词表作为停用词词典,对干扰词进行屏蔽:

然后,绘制词云图:

结论:从词云图来看,"淄博"、"烧烤"、"山东"、"好吃"、"城市"、"好"、"物价"等正面词汇字体较大,体现出众多网友对以「淄博烧烤」为代表的后疫情时代人间烟火的美好向往。

四、技术总结

淄博烧烤」案例完整开发流程:

requests爬虫json解析pandas保存csvpandas数据清洗snownlp情感分析matplotlib可视化,含:

1)IP属地分析-柱形图Bar2)评论时间分析-折线图Line3)点赞数分布-箱线图Boxplot4)评论内容-情感分布饼图Pie5)评论内容-词云图WordCloud

五、演示视频

代码演示视频:https://www.bilibili.com/video/BV18s4y1B71z

六、完整源码

完整源码:【爬虫+数据清洗+可视化分析】舆情分析"淄博烧烤"的B站评论

我是 @马哥python说 ,持续分享python源码干货中!

标签:

X 关闭

X 关闭

观点