数据分析|改革春风吹满地火在哪里

数据分析|改革春风吹满地火在哪里

改革春风吹满地，中国人民真争气。

2018年年末，“改革春风吹满地”火了。这是一个来自哔哩哔哩的一个鬼畜类音乐视频。 由up主小可儿上传，目前播放量已达到1400多万，有着相当高的热度。该视频剪辑了赵本山的历年作品的经典台词，配以略带喜感的音乐(bgm由其他up主制作),每一句台词衔接的相当完美。在网易云音乐里也可以搜到同名音乐,另有别名「念诗之王」正常,网易云的一位 名为 A96ccA的这样写道:

 

第一遍：这是啥玩意？第二遍：嗯，还可以第三遍：改革春风吹满地…

可以看出同样的是一首洗脑的音乐。下面让我先来欣赏（再度洗脑）一下。视频地址：下面就让我们爬取b站上该视频的评论内容,并进行分析为什么这个视频会如此的火。

. 数据下载

首先我们找到视频:https://www.bilibili.com/video/av19390801.然后找到评论部分,打开谷歌浏览器的控制台，查看network选项的请求信息。通过观察我们发现了这样的链接:https://api.bilibili.com/x/v2/reply?callback=jQuery17204794190151297566_1546432727230&jsonp=jsonp&pn=1&type=1&oid=19390801&sort=0&_=1546432740370去掉没有用的信息最后我们得到最终的url形式为:https://api.bilibili.com/x/v2/reply?pn={pn}&type=1&oid=19390801其中pn为第几页，目前看到评论有1129页，这些数据我们用作简单的数据分析基本够用了。下面就可以编写我们的代码了,这里我采取的是异步网络请求模块aiohttp。然后保存下了每条评论的所以网页可以得到的信息,后期获取每条评论的内容，为后面数据分析使用

下面是主要爬取逻辑

 

base_url = "https://api.bilibili.com/x/v2/reply?pn={pn}&type=1&oid=19390801"async def fetch(url):    async with sem: #并发个数控制        async with aiohttp.ClientSession() as session: #创建session            with async_timeout.timeout(10): #等10s                async with session.get(url) as res:                     data = await res.json()#通过await获取异步过程中的数据                    print(data)                    await asyncio.sleep(2)#加个异步等待防止被封。                    await save_data(glom.glom(data, "data.replies"))#glom模块json数据解析用。

这里需要用到以下模块，使用pip install即可安装

aiohttpasync_timeoutuvloop(windows就不用了，只支持unix系统)glom

需要说明的是之前我就是因为没有加等待时间，所以被b站这个接口的链接给封了，造成的现象就是视频可以看但是评论是刷新不出来的，挺有意思的。关于aiohttp的使用方法，有兴趣的朋友可以看我之前写的文章：aiohttp地址放这。到这里数据下载逻辑就完事了，下面是数据存储逻辑。

. 数据存储

因为上面的下载的结果是json格式，所以首先数据库就是mongodb,这里为了统一使用了异步mongo数据模块motor，一个基于事件循环的模块。首先创建数据链接

class MotorBase:    _db = {}    _collection = {}    def __init__(self, loop=None):        self.motor_uri = ''        self.loop = loop or asyncio.get_event_loop()    def client(self, db):        self.motor_uri = f"mongodb://localhost:27017/{db}"        return AsyncIOMotorClient(self.motor_uri, io_loop=self.loop)    def get_db(self, db='weixin_use_data'):        if db not in self._db:            self._db[db] = self.client(db)[db]        return self._db[db]

这里使用模块有：

asynciomotor

然后开始使用类似pymongo的方式插入数据，具体代码如下

async def save_data(items):    mb = MotorBase().get_db('weixin_use_data') #获取链接对象，weixin_use_data是我的数据库名。    for item in items:        try:            await mb.bilibili_comments.update_one({                'rpid': item.get("rpid")},                {'$set': item},                upsert=True)#bilibili_comments是我的表名,update_one方法的作用是不存在就插入存在更新。        except Exception as e:            print("数据插入出错", e.args,"此时的item是",item)

然后通过执行这个事件循环,事件循环是这里所有异步的基础。

    loop = asyncio.get_event_loop()#创建一个事件循环    loop.run_until_complete(get_data())#开始运行直到程序结束

. 数据解析

上面我们拿到了作出数据，但是数据都是json格式的，而且量很大，我们需要的只有评论内容，所以我们需要进一步对数据进行处理,同样的这里我也使用了文件读写异步模块aiofiles。这部分代码量也很少，用法和open file差不多，多了些异步的形式而已。首先读取mongo里的数据

async def get_data():    mb = MotorBase().get_db('weixin_use_data')    data=mb.bilibili_comments.find()    return data

读取还是用的motor模块为了配合后面的文件读入使用。

async def m2f():    data = await get_data()    async for item in data:        t = item.get("content").get("message").strip()        fs = await aiofiles.open(pathlib.Path.joinpath(pathlib.Path.cwd().parent, "msg.txt"), 'a+')#pathlib路径拼接        await fs.write(t)

到目前为止数据获取部分基本结束了，后面就是对上面的文本文件进行分析了。

. 数据分析

为了清晰的表达数据所带来的信息，对于评论信息，我们选用直观的方式--词云图

准备工作

安装包

jiebawordcloudmatplotlib

生成词云需要用的图

字体文件 mac中默认字体显示乱码，这里指定了别的字体msyhbd.ttf，网上随便搜了一个，windows可以或其他系统支持字体即可 停用词设置 经过分析大概设置了如下停用词：

 

哈哈哈哈哈哈xa0一个u3000什么视频这个up看到怎么播放真的知道已经改革春风满地鬼畜抖音现在春晚千万助攻

停用词设置是为了去除一些没有意义的词，比如这个，那个之类的。或者当前文件的标题代码如下

# -*- coding: utf-8 -*-# @Time : 2019/1/2 7:52 PM# @Author : cxa# @File : cutword.py# @Software: PyCharm# coding=utf-8import jiebaimport matplotlib.pyplot as pltfrom wordcloud import WordCloud# 获取所有评论comments = []with open('msg.txt', mode='r', encoding='utf-8') as f:    rows = f.readlines()    for row in rows:        comments.append(row)# 设置分词comment_after_split = jieba.cut(str(comments), cut_all=False)  #分词，cut_all=falsewords = ' '.join(comment_after_split)  # 以空格进行拼接# 设置屏蔽词STOPWORDS = set(map(str.strip, open('stopwords').readlines()))print(STOPWORDS)# 导入背景图bg_image = plt.imread('1.jpeg')# 设置词云参数，参数分别表示：画布宽高、背景颜色、背景图形状、字体,屏蔽词、最大词的字体大小wc = WordCloud(width=2024, height=1400, background_color='white', mask=bg_image,font_path='msyhbd.ttf',stopwords=STOPWORDS, max_font_size=400,               random_state=50)# 将分词后数据传入云图wc.generate_from_text(words)plt.imshow(wc)plt.axis('off')  # 不显示坐标轴plt.show()# 保存结果到本地wc.to_file('ggcfcmd.jpg')

最终结果

由此可以看出这视频最重要的还是洗脑，导致进来就出不去了，同样的也是追忆本山大叔多年来带给大家的无数快乐时光，总之洗脑就完事了

一直以为这个视频是年底的时候才开始传播的，然而事情并不是这样。。。

评论发布时间分析

从mongodb中抽取评论时间

分析了之前爬取的json数据，其中每一组有一个ctime参数，根据经验可知这是一个时间戳,于是使用tool文件夹下的mongo_to_csv.py文件的get_ctime方法取出每一条记录的时间戳，同时转换成年月日的形式存入到ctime.txt文件中。对后续的操作作准备。

对时间排序并计数

这一步核心代码如下

from collections import Counter, Mappingfrom operator import itemgetterwith open("ctime.txt") as fs:    data = (i.strip() for i in fs.readlines())d = dict(sorted(Counter(data).items(), key=itemgetter(0)))print(d)

首先，读取文件循环去除换行符，生成新的数据，生成的是个生成器对象，目的是省内存。然后调用python标准库的collections模块的Counter方法，做一个计数参做，因为isinstance(Counter,Mapping)会输出True，可知其属于映射类型，因此有着类似字典的方法，于是对该对象做一个排序,其中这里的key=itemgetter(0),表示按照第一个元素排序,itemgetter来自python标准库的operator模块,之后转换成字典，为后面的数据显示作准备。最后的结果如下：

我们可以发现评论开始日期是从2018-02-11开始的,一开始我也没有去注意视频的发布时间，我以为分析错了呢，赶紧去看了一眼视频，还真是 2018-2-11发布然后评论数越来越少，然后到11左右再次上来了,为了知道原因,我去翻阅了下该段时间评论大致知道了,由于抖音的传播和微博的传播，以其后来bgm成了微博的热搜关键字，也就是不难想象这段时间评论量的上升了，其实大家还可以对这段时间的评论内容做个词云分析，去看关键字，或者去做个情感分析。这就交给大家去完成了。

 

总结

通过这次对评论内容以及时间的分析，尤其是评论数的时间，真正的感受到了数据分析的乐趣。好了本次的内容就结束了，喜欢大家能够喜欢。

为了方便大家的阅读代码，本文中所有涉及到的代码，已经传到https://github.com/muzico425/bilibilianalysis.git

如果您喜欢我的文章就点击右下角的好看吧，谢谢。加微信:italocxa进群。

为了方便大家的阅读代码，本文中所有涉及到的代码，已经传到https://github.com/muzico425/bilibilianalysis.git

转载于:https://www.cnblogs.com/c-x-a/p/10211645.html

相关资源：JAVA上百实例源码以及开源项目