一、爬取数据

小问题汇总

1.python之matplotlib使用系统字体

用于解决python绘图中，中文字体显示问题

2.cookie与视频页面id（b站、微博等）查看

F12打开网页开发者模式，然后F5刷新，进入控制台中的网络，查看Fetch/XHR

3.爬取wb评论时，最好使用网页手机端

网页手机端：https://m.weibo.cn/?sudaref=cn.bing.com

4.从存储文件读数据，可能会提示编码错误

对文件的打开方式，添加代码encoding='utf-8'

b站爬虫

1.前提准备工具

安装 Python 3。安装所需的库。在命令行中输入以下命令：pip install selenium beautifulsoup4 webdriver-manager安装 chrome浏览器以及启动软件chromedriver.exe（版本号要接近），使用selenium + chrome浏览器爬取数据.csv文件用excel或者notepad打开都会乱码，可用记事本打开，或者用excel导入.csv文件，具体过程自行百度

2.使用说明

1.功能说明

能批量爬取B站多个视频的评论，使用Selenium而非B站api，能爬取到更全面的数据。能够断点续爬，可以随时关闭程序，等到有网络时再继续运行。遇到错误自动重试，非常省心，可以让它自己爬一整晚。

2.关于断点续爬与progress

断点续爬功能依托progress.txt记录实现：程序运行时，如果代码同级文件夹内存在progress.txt文件，它会读取其中进度；如果没有，则自动创建。

如果想要从头开始爬取，只需删除 progress.txt 文件即可。

如果想要修改爬虫任务，跳过某些视频/一级评论/二级评论页，建议直接修改progress.txt文件。 （例如，有一个视频爬取失败，想要跳过它，直接在progress中，把video_count加1即可）

progress含义： 第{video_count}个视频已完成爬取。 第{video_count + 1}个视频中，第{first_comment_index}个一级评论的，二级评论第{sub_page}页已完成爬取。 "write_parent"为1指当前一级评论已写入，为0指当前一级评论尚未写入。 示例如右：{"video_count": 1, "first_comment_index": 15, "sub_page": 114, "write_parent": 1} 注意：“video_count”“first_comment_index”"sub_page"三个值全部是从0开始的,"write_parent"取值为0或1。

3.使用步骤

将要爬取评论的视频 URL 列表放入名为 video_list.txt 的文件中，每行一个 URL。

参数设定

若要修改最大滚动次数（默认45次，预计最多爬取到920条一级评论），请在代码中修改参数MAX_SCROLL_COUNT的值。注意，滚动次数过多，加载的数据过大，网页可能会因内存占用过大而崩溃。若要设定最大二级评论页码数（默认为150页），请在代码中修改参数max_sub_pages的值（若想无限制，请设为max_sub_pages = None）。建议设定一个上限以减少内存占用，避免页面崩溃。 运行代码：python Bilicomment.py（或pycharm等软件打开运行）。代码使用selenium爬取数据。

根据看到"请登录，登录成功跳转后，按回车键继续…"提示后，请登录 Bilibili。登录成功并跳转后，回到代码，按回车键继续。

等待爬取完成。每个视频的评论数据将保存到以视频 ID 命名的 CSV 文件中， CSV 文件位于代码文件同级目录下。

输出的 CSV 文件将包括以下列：‘一级评论计数’, ‘隶属关系’（一级评论/二级评论）, ‘被评论者昵称’（如果是一级评论，则为“up主”）, ‘被评论者ID’（如果是一级评论，则为“up主”）, ‘昵称’, ‘用户ID’, ‘评论内容’, ‘发布时间’, ‘点赞数’。

输出的 CSV 文件是utf-8编码，若乱码，请检查编码格式（可以先用记事本打开查看）。

如果有视频因为错误被跳过，将会被记录在代码同级文件夹下的video_errorlist.txt中。

4.注意实现

用Excel打开 CSV 文件查看时，可能会发现有些单元格报错显示"$NAME?“，这是由于这个单元格的内容是以”-“符号开头的，例如昵称”-Ghauster"。如果代码报错Permission denied，请查看是否有别的进程占用了正在写入中的 CSV 文件或 progress.txt 文件（比如，文件被我自己打开了），检查是否有写入权限。还不行，可以尝试以管理员身份运行代码（遇到PermissionError，都可以尝试以管理员身份运行来解决）。爬取超大评论量的热门视频时，网页可能会因为内存不足而崩溃。如果发生这种情况，程序会在一定时间后自动重启浏览器断点续爬。但是如果网页都还没有滚动到底全部加载完、都还没有开始爬，就内存不足了，那无论自动重试多少次都会重复出现网页崩溃的问题，此时建议限制最大滚动次数。在使用selenium + chrome浏览器爬取数据时，如果该视频评论量过大，selenium模拟浏览器会产生大量的临时文件。目前，程序将缓存存储在代码文件所在目录中，重试续爬前我们可以自行删除。如果程序长时间没有动静（控制台长时间没有打印当前进度），就重启程序吧，它会断点续爬的。这可能是因为访问b站过于频繁，阿b不想理你了（或者要输验证码了）。如果这个问题频繁发生，可以尝试延长延时时间，或改为随机延时。 添加随机延时： 先import random 在想要延时的地方写time.sleep(random.uniform(1, 5)) # 随机生成1到5秒之间的延时，具体秒数可根据需要修改

完整代码

github：https://github.com/Ghauster/BilibiliCommentScraper 记得给作者点星星

微博爬取

1.前提准备工具

安装SQLiteSpy，用于查看.db文件（爬取数据存储方式）cookie是以SUB=_2A2开头的User-Agent也可以找到，Mozilla/5.0 (Macintosh。。。

2.使用步骤

点进微博正文 地址栏中的数字：491…278就是ID号 仅修改代码中的weibo_id即可，可自行写循环，读取多个视频id 可自行修改每次的获取量max_retries，不易太大，容易被🈲

完整代码

import requests

import _sqlite3

import time

def req(comment_id, max_id, max_id_type):

if max_id == '':

url = f'https://m.weibo.cn/comments/hotflow?id={comment_id}&mid={comment_id}&max_id_type={max_id_type}'

else:

url = f'https://m.weibo.cn/comments/hotflow?id={comment_id}&mid={comment_id}&max_id={max_id}&max_id_type={max_id_type}'

# add your cookie here

headers = {

'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36',

'cookie': 'SUB=_2A25JgtBTDeRhGeFK6lAZ8i3JwzuIHXVqjPAbrDV6PUNbktAGLU_BkW1NQ4YXL0ReJHn1GmrpS18v3XL0JC5yCKFN; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WFU_bVsl9QC9P9MnfDn.wXg5JpX5KMhUgL.FoMXeKzReoef1hM2dJLoIEnLxK-L12BL1KMLxK-LBo2LBo2LxKBLB.zLBK-LxK-L12BL1KMEeh50; SSOLoginState=1686544387; ALF=1689136387; BAIDU_SSP_lcr=https://login.sina.com.cn/; mweibo_short_token=460be2ed11; M_WEIBOCN_PARAMS=oid%3D4910481981055278%26luicode%3D20000061%26lfid%3D4910481981055278%26uicode%3D20000061%26fid%3D4910481981055278'

}

content = requests.get(url, headers=headers)

return content

# replace the weibo id you want to get comment of

weibo_id = 4907763291915412

db_name = str(weibo_id) + '_comments.db'

conn = _sqlite3.connect(db_name)

c = conn.cursor()

c.execute('''

CREATE TABLE IF NOT EXISTS comments(

id TEXT PRIMARY KEY,

created_time TEXT,

screen_name TEXT,

user_id TEXT,

content TEXT

)

''')

retry_count = 0

max_retries = 10

max_id_type = 0

data = req(weibo_id, max_id='', max_id_type=0).json()

comments = data['data']['data']

max_id = data['data']['max_id']

max_page = data['data']['max']

total_num = data['data']['total_number']

count = 1

print(f'total {max_page} pages，{total_num} comments')

print(f'the first page has {len(comments)} comments')

time.sleep(5)

while retry_count < max_retries:

try:

content = req(weibo_id, max_id, max_id_type).json()

if content['ok'] == 0:

break

max_id = content['data']['max_id']

max_id_type = content['data']['max_id_type']

content = content['data']['data']

count += 1

print(f'page {count} has {len(content)} comments')

for comment in content:

c.execute('''

INSERT OR REPLACE INTO comments VALUES (?,?,?,?,?)

''', (

comment['id'],

comment['created_at'],

comment['user']['screen_name'],

comment['user']['id'],

comment['text']

))

conn.commit()

if max_id == 0:

break

retry_count = 0

time.sleep(5)

except Exception as e:

retry_count += 1

print(f'an error occurred:{e},retrying...')

time.sleep(5)

continue

conn.close()

数据分析

1.数据爬取后读取接口

注意：所有函数接口都是接收列表或者txt文件

从.db文件读取某一列放列表中（以评论内容为例）

import sqlite3

comments = []

conn = sqlite3.connect(r'D:\PyCharm\pythonProject2\B\4875620099559502_comments.db')

c = conn.cursor()

ret = c.execute("select * from comments") # 获取该表所有元素

for row in ret:

comments.append(row[4])# 获取该表第五列数据

conn.close()

从.xlsx（excel）读取，写入另一个txt文件中（也可以放入列表或者其他）

file_path = r'C:\Users\lijiale\Desktop\b站评论数据分析\data2.xlsx'

txt_path = r'C:\Users\lijiale\Desktop\b站评论数据分析\l.txt

df = pd.read_excel(file_path) # 默认读取工作簿中第一个工作表，默认第一行为表头

data = df['评论内容'].values.tolist()

f = open(txt_path, "w",encoding='utf-8')

for line in data:

f.write(str(line))

f.close()

2.词云图

以comments列表为接收参数

def form_wordcloud(comments):

mk = imread('词云背景图.png') #词云图形状，放当前目录下

"""解析评论内容并形成词云"""

word = ''.join(comments)

# 使用jieba分词并提取出现频率前200的名词、动词、形容词等有代表性的词汇

topWord_lis = jieba.analyse.extract_tags(word, topK=200, allowPOS='n''v''a''vn''an')

topWord = ' '.join(topWord_lis)

# 词云参数配置

w = wordcloud.WordCloud(

background_color='white',

font_path=r"C:\Windows\Fonts\simhei.ttf", # 字体

width=2000,

height=1500,

max_words=1000,

max_font_size=80,

min_font_size=10,

mode='RGBA',

mask=mk, # 背景图

)

w.generate(topWord)

w.to_file('评论词云.png')

print('词云形成！')

3.情感分析

def get_emotion(comment):

"""对一条评论进行情感分析,返回该评论的情感属性(emotion_label可能为0,1,2,分别对应消极的、中肯的、积极的)"""

# 百度API认证

APP_ID = '********'

API_KEY = '********'

SECRET_KEY = '********'

client = AipNlp(APP_ID, API_KEY, SECRET_KEY)

comment = ''.join(re.findall('[\u4e00-\u9fa5]', comment)) # 去除评论文本中的特殊字符

# 调用情感倾向分析

dic = client.sentimentClassify(comment)

# 可能存在没有文本的空评论,异常处理保证程序执行的连续性

try:

emotion_label = dic['items'][0]['sentiment']

except KeyError:

return 1 # 若无内容，则为中性评论

return emotion_label

4.绘图

def emotion_analysis(comments):

"""对所有评论进行情感分析并绘制饼图"""

pos_comment = 0 # 积极

rel_comment = 0 # 中肯

neg_comment = 0 # 消极

for comment in comments:

if get_emotion(comment) == 0:

neg_comment += 1

elif get_emotion(comment) == 1:

rel_comment += 1

else:

pos_comment += 1

plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文支持

plt.rcParams['axes.unicode_minus'] = False # 正常显示负号

plt.style.use('fivethirtyeight') # 图表样式

attitude = ['消极的', '积极的', '中肯的'] # 标签

popularity = [neg_comment, pos_comment, rel_comment] # 数据

# 绘制饼图

plt.pie(popularity, labels=attitude, autopct='%1.1f%%',

counterclock=False, startangle=90, explode=[0, 0.1, 0])

plt.title('评论情感分析')

plt.tight_layout()

plt.savefig('情感分析结果.png')

plt.show()

print('情感分析完毕!')

央视新闻标题

# _*_ coding: utf-8 _*_

import requests

import re

from datetime import datetime

def cctv(company, page):

num = (page)

# 第一步：模拟浏览器，在央视网中输入相应的企业，并得到网页源代码

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.67 Safari/537.36'}

url = 'https://search.cctv.com/search.php?qtext=' + company + '&sort=date&type=web&vtime=&page=' + str(num)

print('正在获取----------------》》》',url)

res = requests.get(url, headers=headers, timeout=10).text

# print(res)

# 第二步：正则表达式提取文本信息

p_href = '

p_title = 'target="_blank">.*?'

p_source = '