Python爬取394452条《都挺好》弹幕数据,发现弹幕比剧还精彩?
作者 | 周志鹏,2年数据分析,深切感受到数据分析的有趣和学习过程中缺少案例的无奈,遂新开公众号「数据不吹牛」,定期更新数据分析相关技巧和有趣案例(含实战数据集)。
来源 | 数据不吹牛(ID:gh_75df2ae0f8ce)
最近《都挺好》真的挺火。
火到什么程度?微博热搜霸榜,办公室评弹声四起,大强轻松攻占表情包,甚至连N年不追剧的瘦宅们也开始沉迷其中,大呼真香。
图片来源《都挺好》官微
剧很精彩,但追剧界有句俗话说的好:“弹幕往往比剧更精彩”,为了让精彩延续下去,我终究没能忍住对(腾讯视频)弹幕下手。
经过一番折腾,发现弹幕是JSON格式动态加载的,而且加载的非常有规律,30秒一发(80-100条),多出的会隐藏。共计爬取了394452条弹幕(雨露均沾,每集平均8575条,每30S的间隔爬取),来挖一挖弹幕这个宝藏。
1、弹幕基本盘概览
爬到的源数据是酱紫的:
发现有部分用户名是缺失的,由于这部分用户占比很小(仅0.61%),所以我们直接暴力的除去这部分噪声。
清洗之后,还剩下117484个用户发送的392051条弹幕,人均发送弹幕量3.34条。
再看看每个人发送弹幕数是怎么样分布的:
显而易见,大部分用户还是比较佛系的,71607位用户(占比60.95%)在46集中只发送过1条弹幕,他们内心严格遵循“爱就一个字,我只发一次”的弹幕发送准则。
发送条数在3条及以内的用户数占比达到了83.73%,他们累计贡献了133331条弹幕,占到弹幕总数的34.01%,反过来看,剩下16.27%的用户贡献了弹幕量的65.99%。从这个角度来看,二八法则在这里更像是二七法则(20%的用户贡献了70%的内容)。
2、是谁在疯狂发射弹幕,而弹幕又爱上了谁
弹幕发送量TOP10榜单:
我们都知道明成是“行走的造粪机”,那么从弹幕的角度来看,谁是“行走的弹幕发射机”呢?
为此,我们筛选出累计发送弹幕TOP10的用户:
微微一操作(爬取、清洗和分析都使用PYTHON)
danmu_counts = df.groupby('用户名')['评论id'].count().sort_values(ascending= False).reset_index()danmu_counts.columns = ['用户名','累计发送弹幕数']danmu_counts.head(10)
br
Emmm,上一步我们知道平均每个人在整部剧会发送3.34条弹幕,而弹幕发送排行榜前十的旁友们发送量都是过千级别的,我们再加上这个用户弹幕发送涉及到的集数,进一步看看平均每集发送弹幕数。为了更直观一些,可视化之:
一位名叫"@L"的用户独占鳌头,是毋庸置疑的C位输出。在46集的电视剧中,他的弹幕血洗了32集,累计发射2773条弹幕,平均每集发送86.66条。
什么概念呢?
一集电视剧时长约42分钟,也就是说,这位大佬在看剧的同时,仍能保持每分钟2.06条的发送频次,还坚持了32集。
到这里大家一定会有质疑,觉得他肯定是刷了大量的“666”、“来了”之类毫无意义的内容来霸榜,所以呢,我把他的输出内容筛了出来并做成词云图:
这,这,这位大佬输出的内容,不仅紧贴剧情,更是文风多变,时而总结内容,时而嬉笑怒骂,时而感慨人生,时而出口成诗,毫不夸张的说比一般弹幕都要有内涵。
我的膝盖,开始不听使唤了......
唯有疾呼“高山(频)仰止,景行行止”。
谁的弹幕最受青睐(点赞数最多):
根据每个用户累计点赞量排序,GET到弹幕点赞TOP10排行榜:
第一名“追剧小奶鹅”平均每集发6条弹幕,每条弹幕竟然能够得到4585个赞!难道这就是传说中的精神领袖吗?难道大佬之外还有大佬吗?
在看剧的时候经常能够被他的弹幕刷屏,而且他的弹幕比其他人停留时间更长,颜色更艳丽。经核实,发现第一名,原来是嫡系:
腾讯视频电视剧弹幕专业陪聊,怪不得这么高的赞。
而第二名,又是我们的大佬“@L”,他凭借高频、稳定、持续输出累计获得21.69万赞,平均每条弹幕获赞78.22个。
大佬,请收下我的膝盖!
3、高赞弹幕有何套路:
A)嫡系部队:
我们单独把腾讯的嫡系部队“追剧小奶鹅”拎出来,是因为他几乎垄断了高赞弹幕TOP300,嫡系光环加持,赞或许有虚高的嫌疑,但不妨碍我们单独分析他内容的套路:
(其实不少小奶鹅的弹幕并没有其他的精彩,但毕竟是亲儿子)他的套路暴力总结起来一句话:对仗工整提大强,感天动地夸明玉。
B)非嫡系部队:
高赞的(非嫡系)朋友们深得演唱会那句带节奏名言“现场的朋友们,举起你们的双手,让我看到你们的热情”的真传。
“觉得XX说的对点下谢谢”、“给XX点赞!”套路是获赞的一大法宝,另一法宝就是推动剧情的内容总结了。
3、弹幕视角主人公情感分析
谁是苏家最受弹幕关注的人儿
要分析谁是苏家最受弹幕关注的人,必须先根据关键词去甄别和定位到剧中角色。
这里列出了关于苏家人的简单词库,用来识别弹幕在议论谁。
54.31%的弹幕没有主观倾向性,没有提及具体的苏家人(可能提及了剧中其他人,这里暂不考虑)。
明玉竟然抢过了大强的宝座,以19.91%的弹幕提及率拔得头筹,而大强则以16.16%的关注度紧随其后。
Emmm,无论是剧外热度还是追剧时弹幕槽点,我都觉得大强应该才是最受关注的啊!
作为一个严谨的追剧人,我开始排查弹幕,发现了很多戏精在发弹幕时都玩起了角色扮演,他们在发弹幕时,总是先在开头署名“苏明玉:”OR其他剧中角色,仿佛在代他们发声。
清洗完这部分调皮的用户之后,排名出现了新的变化:
果然,其他除外,大强以15.16%的关注占比领先其他家人一个身位,明玉又把两个哥哥拉开了一个身位的距离,占比8.82%,明成和明哲关注占比分别是4.84%和4.28%。
PS,明成关注度之所以低,是因为很多弹幕骂人并不会指名道姓:),而明哲嘛,对这个排名表示很失望。
弹幕情感分析
看剧(弹幕)时能够明显感觉到观众对于明成的态度从最开始的“过街老鼠,人人喊打”到后来的“明成懂事了”。
从数据分析的角度讲,明成是否成功洗白?大强最后催泪演绎效果如何?
这里我们调用百度情感分析API,对每一条评价的内容进行情感打分,用情感分值来验证上述问题(分值在0-1之间,越靠近0负面倾向越强,越接近1则情感越情面)。
调用方法很简单(只对内容感兴趣可以直接略过代码):
#先安装aip包from aip import AipNlp#到后台配置权限,获得相关ID和KEY,目前API是免费且不限量的app_id = '输入实际ID'api_key = '输入实际KEY'secret_key = '输入实际SECRET_KEY'client = AipNlp(app_id,api_key,secret_key) #定义函数,以便循环爬取def senti_analy(text):data = client.sentimentClassify(text)sentiment = data['items'][0]['positive_prob']return sentiment for text in df['内容']:try:sentiments.append(senti_analy(text))except:#print(text)sentiments.append('pass') df['情感分值'] = sentiments
br
打分筛选过后,我们统计出每一集苏家每个人的平均情感分值,并绘制出曲线图(4个人导致折线图可读性较差,所以只有委屈大哥了):
大强开局不错,和明玉持平,但凭借倪老师“作死小能手”的实力诠释,让情感分值迅速走低,11集的低点正式印证了大强的“癫疯之作”,之后分值在0.38左右徘徊。随着“蔡根花宝贝”梗的出现,“嘲讽”替代了指责,让分值略微上浮(情感打分对于高级黑式嘲讽难以准确判断)。最后老年痴呆发病后大强对明玉的爱让分值一举超过0.5,达到历史峰值,成功上岸。
明玉是原生家庭的受害者,也是一个靠自己成功的女强人,前期爱恨分明,情感分值一度飙到0.59(超过其他所有角色),18集开始的买房纷争,网友纷纷表示强烈同情(例:明玉不能像十年前一样别理他们吗?情感分值只有0.041),这让明玉相关的情感分值严重走低,随后弹幕主旋律仍以叫好和同情为主。
明成的情感分值走势更有意思,开局最低,靠欺负妹妹让分值迅速降低,可谓“人人喊打”,后面分值的飙升,一度追上明玉,主要是因为明成期望值已经极低,但是他宠老婆的行为得到观众认可。中期本色挨骂,降至低谷。27集明成情感分值再次超过0.5,竟然是因为明成想吓走大强进行的一系列骚操作(尤其是广场舞)。再后来就是明成幡然悔悟,走上正轨,分值在稳定在0.45左右,也算成功洗白。
看来,开局降期望,中期随便作,后期催泪逆风翻盘,终究还是会被观众接受。
(本文为 Python大本营转载文章,转载请联系原作者)
福利
扫码添加小助手,回复:1,加入Python技术交流群,共享Python学习资料,定时更新。
◆
2019 Python开发者日
◆
敲黑板划重点!7 折优惠最后一天,3 月 31 日前可享受优惠价 499元,欢迎点击阅读原文报名参加。更多详细信息请咨询13581782348(微信同号)。
你也可以点击阅读原文,查看大会详情。
Python爬取394452条《都挺好》弹幕数据,发现弹幕比剧还精彩?相关推荐
- Python 爬取 394452 条《都挺好》弹幕数据,发现弹幕比剧还精彩?
狂野男孩大强下线的第三天,想他,想他,想他-- 图源<都挺好>官微 作者 | 周志鹏 责编 | 仲培艺 最近<都挺好>真的挺火. 火到什么程度?微博热搜霸榜,办公室评弹声四起, ...
- Python 爬取 201865 条《隐秘的角落》弹幕,发现看剧不如爬山?
作者 | 朱小五 责编 | 屠敏 封图 | CSDN 付费下载自东方 IC 最近又火了一部国产剧:<隐秘的角落>. 如果你没看过,那可能会对朋友圈里大家说的"一起去爬山" ...
- Python 爬取 201865 条《隐秘的角落》弹幕数据,发现看剧不如爬山?
Python 爬取 201865 条<隐秘的角落>弹幕数据,发现看剧不如爬山? 本文不涉及剧透!请放心食用 最近又火了一步国产剧:<隐秘的角落> 如果你没看过,那可能会对朋友圈 ...
- Python爬取影评并进行情感分析和数据可视化
Python爬取影评并进行情感分析和数据可视化 文章目录 Python爬取影评并进行情感分析和数据可视化 一.引言 二.使用requests+BeautifulSoup进行影评的爬取 1.分析界面元素 ...
- 利用Python爬取《囧妈》豆瓣短评数据,并进行snownlp情感分析
利用Python爬取<囧妈>豆瓣短评数据,并进行snownlp情感分析 一.电影评论爬取 今年的贺岁片<囧妈>上映前后,在豆瓣评论上就有不少网友发表了自己的观点,到底是好评的声 ...
- 刚刚用python爬取一千个微信朋友圈数据,他们的秘密原来这么多。
当下我们饮食起居基本上依靠微信,但微信不单单是1个即时通信软件,更像是仿真模拟的日常生活世界.你所处的微信朋友圈是咋样,慢慢地你的思想也会变的咋样.近几日在学习 itchat,并且写了1个网络爬虫,扒 ...
- python爬百度翻译-Python爬取百度翻译(利用json提取数据)
本篇文章给大家带来的内容是关于Python爬取百度翻译(利用json提取数据),有一定的参考价值,有需要的朋友可以参考一下,希望对你有所帮助. 工具:Python 3.6.5.PyCharm开发工具. ...
- 4ye含泪用python爬取了自己的公众号粉丝数据
4ye含泪用python爬取了自己的公众号粉丝数据 小伙伴们好呀,最近本来是在捣鼓Gateway的知识点的,结果被一件事情搞得心不在焉 哈哈哈哈,结果不得不先鸽下~ 搞完这件事情再继续哦!! ε=ε= ...
- Python爬取44130条用户观影数据,分析挖掘用户与电影之间的隐藏信息!
1.前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. PS:如有需要Python学习资料的小伙伴可以点击下方链接自行获取 Python免费学习 ...
最新文章
- 存在就不插入_DOM 插入节点和三个Child方法
- 如何php防止XSS攻击
- Java数据结构与算法(第二章数组)
- layer的一种用法,自己画出弹出框样式
- 根据窗口名获取进程句柄和PID
- Java学习:多线程(2)
- 卡方 python_Python评分卡建模—卡方分箱
- 前端学习(2524):自定义指令(钩子函数)
- .java文件_【转】java文件操作大全
- LeetCode 709. 转换成小写字母
- 实战 | 离线搭建CDH6.20平台 踩坑实录
- java客户端查询hive很慢_Hive面试,如何优化查询效率!
- OpenCV-Python实战(13)——OpenCV与机器学习的碰撞
- 单链表的逆置-C++实现(ok)
- 二调建设用地地类代码_二调地类和三调地类的对比
- eclipse-登录注册web项目-练
- Panel控件的使用
- tlwdr5660间歇性掉线_tl-wdr7660无线掉线?tl-wdr7660路由不稳定怎么办?
- 华晨宏盛让理财更有实用性的小窍门有哪些?最好的理财方法有哪些
- Basic Block