Python 爬取 B 站資料分析，宋智孝李光洙誰最受中國粉絲喜愛

Python 資料分析 · 發表 2018-11-21 11:11:09

摘要：作者 | 左伊雅責編 | 胡巍巍《Running Man》是韓國SBS電視臺在《星期天真好》單元推出的戶外競技真人秀節目。節目致力於打造一個不同於Real variety的新型態娛樂節目。每期有不同的主題，由不同的嘉賓參演，分為不同的隊伍進行比賽，通過完成...

作者 | 左伊雅

責編 | 胡巍巍

《Running Man》是韓國SBS電視臺在《星期天真好》單元推出的戶外競技真人秀節目。

節目致力於打造一個不同於Real variety的新型態娛樂節目。每期有不同的主題，由不同的嘉賓參演，分為不同的隊伍進行比賽，通過完成各種遊戲任務，最後獲勝一方將獲得稱號或獎品。

成員組成包括原六位成員劉在石、池石鎮、金鐘國、HAHA（河東勳）、宋智孝、李光洙，以及兩位新成員全昭旻、樑世燦。

Line"/>

抓取資料

自從限韓令釋出後，Running man在除B站以外的各大視訊網站均下架，所以本文從B站出發，抓取相關視訊的所有評論。

由於相關視訊非常多，本文選擇了最具代表性，點選量觀看次數最多的視訊。

進入這個頁面後開始抓包（https://www.bilibili.com/video/av18089528？from=search&seid= 16848360519725142300）。

不斷點選下一頁，可以發現reply?callback=這個檔案一直在出現。

開啟其中一個檔案以後可以看到每一面的評論都在裡面；只需構建出類似的URL就可以把所有的評論都爬下來啦。

分析一下這個URL：

https://api.bilibili.com/x/v2/replycallback=jQuery17201477141935656543_1541165464647&jsonp=jsonp&pn=368&type=1&oid=18089528&sort=0&_=1541165714862

pn是頁面數，_對應距離1971年1月1日的秒數，直接用time.time就可以獲得，其餘引數保持不變。資料格式是Json，但是B站有點小狡猾啊~

它把所有的Json資料都存在jQuery17201477141935656543_1541165464647這個裡面。

所以提取的時候要處理一下（Talk is cheap，show me the code)。

html=requests.get(url,headers=headers).text
html=json.loads(html.split('(',1))[1][:-1]）

最後我們把所有的評論都抓取下來存入Excel中，資料格式是這樣子的：

寫入CSV的時候一定要記得encoding='utf-8'，就因為少了這個，資料總會亂碼，因為各種奇葩的原因（點了一下，拉寬了一下，原地儲存一下）。

資料清洗

對於B站的各種缺失資料，就直接用0替換；對於詩歌類的評論，它存到CSV時是一句佔一行，而它的其餘資訊都會存到最後一行。

所以在處理時，把前面的n-1行打包append到n行的評論中，再把n-1行刪除；對於B站返回的時間（類似於1540882722）；用time.strftime('%Y-%m-%d %H:%M:%S,time.localtime())變換成2018/11/12 22：15：15。

資料分析

清理後一共得到7513*11條資料，接下來對資料進行一些分析，資料分析通過Python和R完成。

男女分佈

從餅圖可以看出，近六成的人選擇保密個人資訊，公開資訊顯示女生僅比男生多3%。這個結論是出乎意料的。原來不論男女都很喜歡Running man。

def male(sex):
    att=['男','女','保密']
    val=[]
    for i in att:
        val.append(sex.count(i))
    pie = Pie("", "性別餅圖", title_pos="right", width=1200, height=600)
    pie.add("", att, val, label_text_color=None, is_label_show=True, legend_orient='vertical',
            is_more_utils=True, legend_pos='left')
    pie.render("sexPie.html")

評論周分佈

Running man在韓國的更新時間是每週天下午，但是要到週一B站才會有所更新。

因此從評論周分佈圖可以看到，星期一的評論數是遠遠大於其他時間的，其次是星期二和星期天，正好在Runnning man 更新前後，對比其他時間段評論數有一定增長。

def ana_week(week):
    weeks=['星期天','星期一','星期二','星期三','星期四','星期五','星期六']
    output_file('week_bar.html')
    count=[]
    for i in sorted(set(week)):
        if not numpy.isnan(i):
            count.append(week.count(i))
    source = ColumnDataSource(data=dict(weeks=weeks, counts=count,color=['orange','yellowgreen','pink','darksalmon','lightgreen','paleturquoise','lightsteelblue']))
    p=figure(x_range=weeks, y_range=(0,4000), plot_height=250, title="Week Counts",
           toolbar_location=None, tools="")
    p.vbar(x='weeks', top='counts', color='color',width=0.9, legend="Week", source=source)
    p.legend.orientation = "horizontal"
    p.legend.location = "top_right"
    show(p)

評論時間分佈

除了每週評論數，對於評論數的日趨勢也十分好奇，大家一般會在什麼時間段內觀看評論呢？

根據上圖可以看到，在6點以後迎來一個爆炸性增漲，在11點-13點之間達到峰值，其次是在15點-17點之間迎來第二波小高潮。

在晚間，除了20點有一定下降外，評論數都接近500條。而午夜評論數最少，不過還是有不少夜貓子啊。

def ana_hour(hour):
    h,k=[],[]
    for i in range(len(hour)):
        if isinstance(hour[i],str):
            h.append(hour[i][:2])
    for i in sorted(set(h)):
        k.append(h.count(i))
    print(k)
    output_file('hour_line.html')
    p = figure(plot_width=400,title='各小時評論數', plot_height=400)
    p.line(sorted(set(h)), k, line_width=2)
    p.circle(sorted(set(h)), k, fill_color="white", size=8)
    show(p)

評論字數與點贊數

對比每條評論的字數與點贊次數，從上圖可以看到，評論的字數越多，獲得讚的概率就越大：100字以上的評論獲得讚的平均次數遠高於100字以下的評論，而那些10個字以內的評論基本沒有獲得贊，所以只要你是認真評論寫出大家的心聲，就能獲得大家的認同。

def com_zan(com,zan):
    q,w,e,r,t=[],[],[],[],[]
    for i in range(len(com)):
        if len(com[i])<10:
            q.append(zan[i])
        if 10<=len(com[i])<50:
            w.append(zan[i])
        if 50<=len(com[i])<100:
            e.append(zan[i])
        if 100<=len(com[i]):
            r.append(zan[i])
    a=go.Box(y=q,name='0-10個字')
    b=go.Box(y=w,name='10-50個字')
    c=go.Box(y=e,name='50-100個字')
    d=go.Box(y=r,name='100以上個字')
    e=go.Box(y=zan,name='所有評論')
    data=[a,b,e,c,d]
    layout = go.Layout(legend=dict(font=dict(size=16)),orientation=270)
    fig = go.Figure(data=data, layout=layout)
    plotly.offline.plot(data)

情感分析

將大家的評論分別進行情感分析，越接近1說明正面情感越強烈；相反越靠近0負面情緒越強。

從上圖可以看到，雖然有近600人的評論是非常負能量，但是絕大多數的人都是1分、0.9分。

在Running man給我們帶來歡樂與感動的同時，大家對Running man是滿滿的寵愛啊。

def snownlp(com):
    q=[]
    for i in com:
        s=SnowNLP(i)
        q.append(round(s.sentiments,1))
    emotion=[]
    count=[]
    for i in sorted(set(q)):
        emotion.append(str(i))
        count.append(q.count(i))
    #count=[596, 481, 559, 566, 490, 617, 528, 601, 581, 809, 1685]
    #emotion=['0.0', '0.1', '0.2', '0.3', '0.4', '0.5', '0.6', '0.7', '0.8', '0.9', '1.0']
    output_file('評論情感分析.html')
    source = ColumnDataSource(data=dict(emotion=emotion, counts=count))
    p = figure(x_range=emotion, y_range=(0, 2000), plot_height=250, title="評論情感分析",
               toolbar_location=None, tools="")
    p.vbar(x='emotion', top='counts', width=0.9, source=source)
    p.legend.orientation = "horizontal"
    show(p)

話題度排行

一直都很好奇在觀眾心中哪個mc的話題度最高，所以做了一個話題度排行。從上圖可以看到haha是最具話題性的mc（這個結果有點出乎意料呢）其次是李光洙和宋智孝。

因為筆者統計的是2018年的Running man ，所以Gary的資料是有點悽慘的。對比兩個新成員，全妹的話題度比世贊高的不是一點點。

def hot(com):
    #print(com)
    output_file('各成員話題度.html')
    jzg=['金鐘國','鍾國','能力者']
    gary=['gary','狗哥']
    haha=['haha','HAHA','哈哈']
    qsm=['全昭敏','全妹','全昭body']
    lsz=['樑世贊','世贊','小不點']
    name=['池石鎮','劉在石','宋智孝','李光洙','金鐘國','gary','haha','全昭敏','樑世贊']
    csz,lzs,szx,lgz,jzg,gary,haha,qsm,lsz=[],[],[],[],[],[],[],[],[]
    for i in com:
        if  '池石鎮'in i or'石鎮' in i or'鼻子'in i:
            csz.append(i)
        if '劉在石'in i or '在石' in i or '大神' in i or '螞蚱' in i:
            lzs.append(i)
        if '宋智孝' in i or '智孝'in i or '懵智'in i or '美懵'in i:
            szx.append(i)
        if '李光洙'in i or '光洙'in i or '一筐豬'in i:
            lgz.append(i)
        if '金鐘國'in i or '鍾國'in i or '能力者'in i:
            jzg.append(i)
        if 'gary'in i or'狗哥'in i:
            gary.append(i)
        if 'haha'in i or 'HAHA'in i or '哈哈'in i:
            haha.append(i)
        if '全昭敏'in i or '全妹'in i or'全昭body'in i:
            qsm.append(i)
        if '樑世贊'in i or'世贊'in i or'小不點'in i:
            lsz.append(i)
   count=[len(csz),len(lzs),len(szx),len(lgz),len(jzg),len(gary),len(haha),len(qsm),len(lsz)]
    source = ColumnDataSource(data=dict(name=name, counts=count,color=['orange', 
'yellowgreen', 'pink', 'darksalmon','lightgreen','paleturquoise','lightsteelblue',
'hotpink','yellow']))
    p = figure(x_range=name, y_range=(0, 600), plot_height=250, title="話題度排行",
               toolbar_location=None, tools="")
    p.vbar(x='name', top='counts', color='color', width=0.9, source=source)
    p.legend.orientation = "horizontal"
    show(p)

Running man一直都不缺CP，前有周一情侶Gary和宋智孝，權力夫婦劉在石和金鐘國，老年line劉在石和池石鎮，我兄我弟金鐘國和haha，背叛者聯盟必觸cross。

現在又有國民兄妹劉在石和全昭敏，麻浦兄妹宋智孝和haha，烤肉line金鐘國haha等等。

他們的關係錯綜複雜，所以筆者打算好好扒一扒觀眾眼中的各種line。

成員關係矩陣

滿分為100分，可以看到池石鎮和劉在石；劉在石和李光洙；金鐘國和宋智孝；Gary和宋智孝；haha和李光洙；全昭敏和宋智孝的相關性均非常高，其中Gary和宋智孝的相關性居然達到40，也就是說評論中如果有Gary那麼有四成的概率會出現宋智孝，週一情侶真的是深入人心。

其次是宋智孝和金鐘國，看來之前還一直有人說他倆會結婚也不是空穴來潮；而樑世贊與其餘成員的相關性都很高，這說明大家都不怎麼單獨提到他，希望世贊可以早日找到自己的定位；獲得觀眾的認可！

def network_edg_csv(com):
    df=pandas.DataFrame(columns=['池石鎮','劉在石','宋智孝','李光洙','金鐘國','gary','haha','全昭敏','樑世贊'],index=['池石鎮','劉在石','宋智孝','李光洙','金鐘國','gary','haha','全昭敏','樑世贊'])
    df.loc[:,:]=0.0
    for i in com:
        if  (i in '池石鎮'in i or'石鎮' in i or'鼻子'in i):
            df['池石鎮']['池石鎮'] = df['池石鎮']['池石鎮'] + 1
            if('劉在石'in i or '在石' in i or '大神' in i or '螞蚱' in i):
                df['池石鎮']['劉在石'] = df['池石鎮']['劉在石'] + 1
                df['劉在石']['池石鎮'] = df['劉在石']['池石鎮'] + 1
    #成員關係矩陣df計算方式：在同一個評論中，如果同時出現劉在石和池石鎮，那麼他們的聯絡值+1；再用（劉在石和池石鎮的聯絡值/池石鎮出現在評論的次數）*100得到他們的相關性係數。
    for i in df.index:
        s=df.loc[i][i]
        for j in ['池石鎮','劉在石','宋智孝','李光洙','金鐘國','gary','haha','全昭敏','樑世贊']:
            df.loc[i][j]=df.loc[i][j]/s*100
    fig=pyl.figure()   names=['chishizhen','liuzaishi','songzhixiao','liguangzhu','jinzgongguo','gary','haha','quanshaomin','liangshizan']
    ax=fig.add_subplot(figsize=(100, 100)) 
    ax=seaborn.heatmap(df, cmap='rainbow',linewidths = 0.05, vmax = 100,vmin = 0,annot = True, annot_kws = { 'size': 6, 'weight': 'bold'})   
    pyl.xticks(np.arange(9) + 0.5, names,rotation=-90)
    pyl.yticks(np.arange(9) + 0.5, names,rotation=360)
    ax.set_title('Characteristic correlation')  # 標題設定
    pyl.show()

社交網路關係網

在社交網路關係網中，按紅、黃、綠、藍將聯絡的緊密程度劃分為四個等級，其中紅色代表聯絡非常緊密，而藍色是不緊密。

可以看到，李光洙、haha、劉在石三人聯絡非常緊密，同時金鐘國和宋智孝的關係也非常密切。對於Gary，自從他退出Running man以後，各成員和他的聯絡都非常小。

def network():
    data=pandas.read_csv('run_edge.csv',encoding='utf-8',engine='python')
    G = nx.Graph()
    pyl.figure(figsize=(20,20))
    for i in data.index:      G.add_weighted_edges_from([(data.loc[i]['one'],data.loc[i]['two'],data.loc[i]['count'])])
    n=nx.draw(G)
    pyl.show()
    pos=nx.spring_layout(G)
    large=[(x,y) for (x,y,z)in G.edges(data=True) if z['weight']>100]
    middle = [(x, y) for (x, y, z) in G.edges(data=True) if 50<z['weight'] <= 100]
    middlev = [(x, y) for (x, y, z) in G.edges(data=True) if 10 < z['weight'] <= 50]
    small=[(x,y)for (x,y,z)in G.edges(data=True) if z['weight']<=10]
    nx.draw_networkx_nodes(G,pos,alpha=0.6)
    nx.draw_networkx_edges(G,pos,edgelist=large,width=3,edge_color='red')
    nx.draw_networkx_edges(G, pos, edgelist=middle, width=2, edge_color='yellow')
    nx.draw_networkx_edges(G, pos, edgelist=middlev, width=1, edge_color='yellowgreen')
    nx.draw_networkx_edges(G, pos, edgelist=small, width=0.5, edge_color='green')
    nx.draw_networkx_labels(G,pos,font_size=10,font_family='simhei')
    pyl.axis('off')
    pyl.show()

詞雲圖

這個詞雲圖我是用R做的，但是R的詞雲圖背景是要全黑和全白，所以就放棄了給詞雲加個圖案的想法。

回到詞雲圖，可以看出，大家對於節目本身，各位成員的討論是很多的，同時在評論裡也表達了自己對Running man各種喜愛之情。

def comment(com):
    df=pandas.DataFrame()
    pl=[]
    stopword=['的','了','是','。','，',' ','？','！','就','\n','：','“','”','*','=','（','）','嗎','吧','(',')','・','[',']','、','°','？','！','.','-','｀','；',',','《','》']
    for i in range(len(com)):
        cut_list=jieba.cut(com[i],cut_all=False)
        w='/'.join(cut_list)
        w=w.split('/')
        for j in w:
            if not j in stopword:
                pl.append(j)
    for s in set(pl):
        if len(s)>1:
            if pl.count(s) > 50:
                x = {}
                x['word']=s.strip('\n')
                x['count']=pl.count(s)
                df=df.append(x,ignore_index=True)
    print(df)
    df.to_csv('jieba.csv',encoding='utf-8',index=False, mode='a', header=False)
    print(df)
#下面用R生成詞雲圖
library(wordcloud2)
data<-read.csv(header=FALSE,'C:/Users/伊雅/PycharmProjects/untitled/venv/share/doc/ jieba.csv')
f=data.frame(data)
f
wordcloud2(f)

最後，希望Running man 給我們帶來越來越多歡樂，收視率越來越好噢。

相關程式碼上傳到Github（https://github.com/zuobangbang/running-man--Bilibili）。

作者簡介：左伊雅，目前在南京某211大學讀研二，喜歡資料探勘和爬蟲，如果你對該方向感興趣，可關注作者公眾號：zuobangbang

Python 爬取 B 站資料分析，宋智孝李光洙誰最受中國粉絲喜愛

推薦閱讀：

您可能也會喜歡…