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
