【Python3爬蟲】我爬取了七萬條彈幕，看看RNG和SKT打得怎么樣

一、寫在前面

　　直播行業已經火熱幾年了，幾個大平台也有了各自獨特的“彈幕文化”，不過現在很多平台直播比賽時的彈幕都基本沒法看的，主要是因為網絡上的噴子還是挺多的，尤其是在觀看比賽的時候，很多彈幕不是噴選手就是噴戰隊，如果看了這種彈幕，真是讓比賽減分不少。

　　

　　但和別的平台比起來，B 站的彈幕會好一些。正好現在是英雄聯盟的世界總決賽時間，也有不少人選擇在 B 站看比賽直播，那么大家在看直播的時候會發什么彈幕呢？話不多說，這就用 Python 寫個爬蟲來爬取 B 站直播時的彈幕吧！

 

二、爬取分析

　　首先打開 Bilibili，然后找到英雄聯盟比賽的直播間：

　　

　　我得到的直播間的鏈接為：https://live.bilibili.com/6?broadcast_type=0&visit_id=8abcmywu95s0#/，這個鏈接中的 broadcast_type 和 visit_id 是隨機生成的，不過對我們的爬取也沒影響，只要找到直播間的鏈接就好了。

　　打開開發者工具，切換到 NetWork，點選上 XHR，在其中能找到一個請求：https://api.live.bilibili.com/ajax/msg。這個請求需要四個參數（roomid，csrf_token，csrf，visit_id），其中 roomid 為直播間的 id，csrf_token 和 csrf 可以從瀏覽器上 copy，visit_id 為空。該請求返回的結果中包含十條彈幕信息，包括彈幕內容、彈幕發送人昵稱等等。所以要獲得更多彈幕內容，我們只需要一直發送這個請求就 OK 了！

 

三、爬取實現

　　通過前面的分析可以發現要爬取 B 站直播彈幕還是很輕松的，但是要得到大量彈幕可能就需要考慮使用多線程了。對於爬取到的彈幕，還要及時地保存下來，這里我選擇使用 MongoDB 數據庫來保存彈幕信息。在爬取直播彈幕的時候，我開了四個線程來爬取，開了兩個線程來解析和保存數據，線程之間使用隊列來處理數據。

　　這里建了兩個類 CrawlThread 和 ParseThread，CrawThread 是用於爬取彈幕的線程，ParseThread 是用於解析和保存彈幕的線程，兩個類都繼承了 threading.Thread，並重寫了 run() 方法。下面是爬取彈幕的代碼內容：

class CrawlThread(threading.Thread):
    def __init__(self, url: str, name: str, data_queue: Queue):
        """
        initial function
        :param url: room url
        :param name: thread name
        :param data_queue: data queue
        """
        super(CrawlThread, self).__init__()
        self.room_url = url
        self.room_id = re.findall(r"/(\d+)\?", url)[0]
        self.headers = {
            "Accept": "application/json, text/plain, */*",
            "Content-Type": "application/x-www-form-urlencoded",
            "Origin": "https://live.bilibili.com",
            "Referer": "",
            "Sec-Fetch-Mode": "cors",
            "UserAgent": get_random_ua()
        }
        self.name = name
        self.data_queue = data_queue

    def run(self):
        """
        send request and receive response
        :return:
        """
        while 1:
            try:
                time.sleep(1)
                msg_url = "https://api.live.bilibili.com/ajax/msg"
                # set referer
                self.headers["Referer"] = self.room_url
                # set data
                data = {
                    "roomid": self.room_id,
                    "csrf_token": "e7433feb8e629e50c8c316aa52e78cb2",
                    "csrf": "e7433feb8e629e50c8c316aa52e78cb2",
                    "visit_id": ""
                }
                res = requests.post(msg_url, headers=self.headers, data=data)
                self.data_queue.put(res.json()["data"]["room"])
            except Exception as e:
                logging.error(self.name, e)

　　下面是解析和保存彈幕的代碼內容，主要是一直查詢隊列，如果隊列中有數據，就取出來進行解析和保存：

class ParseThread(threading.Thread):
    def __init__(self, url: str, name: str, data_queue: Queue):
        """
        initial function
        :param url: room url
        :param name: thread name
        :param data_queue: data queue
        """
        super(ParseThread, self).__init__()
        self.name = name
        self.data_queue = data_queue
        self.room_id = re.findall(r"/(\d+)\?", url)[0]
        client = pymongo.MongoClient(host=MONGO_HOST, port=MONGO_PORT)
        self.col = client[MONGO_DB][MONGO_COL + self.room_id]

    def run(self):
        """
        get data from queue
        :return:
        """
        while 1:
            comments = self.data_queue.get()
            logging.info("Comment count: {}".format(len(comments)))
            self.parse(comments)

    def parse(self, comments):
        """
        parse comment to get message
        :return:
        """
        for x in comments:
            comment = {
                "text": x["text"],
                "time": x["timeline"],
                "username": x["nickname"],
                "user_id": x["uid"]
            }
            # print(comment)
            self.save_msg(comment)

    def save_msg(self, msg: dict):
        """
        save comment to MongoDB
        :param msg: comment
        :return:
        """
        try:
            self.col.insert_one(msg)
        except Exception as e:
            logging.info(msg)
            logging.error(e)

　　從比賽開始到比賽結束，總共爬取到了76530條彈幕，在 Robot 3T 中截圖如下：

　　

 

四、生成詞雲

　　彈幕信息已經存好了，但是考慮到其中有很多表情等無用內容，所以需要將這些內容給清洗掉。清洗結束之后就能夠進行分詞操作了，這里我選擇用 jieba 庫來處理，在使用 jieba 的時候，可以設置用戶詞典，因為像選手 ID，英雄名稱這些內容是會被分詞的，但設置用戶詞典之后就不會被分詞了，設置方法如下：

jieba.load_userdict("userdict.txt")

　　userdict.txt 中保存了選手 ID，選手外號，英雄名稱等內容，在設置了用戶詞典后，這些內容在分詞的時候都不會被分開了。在分詞結束之后，需要將那些長度為1的部分清除掉，然后將出現頻次高的內容提取出來，這里用到了 collecttions 中的 Counter，利用 Counter 可以很方便地統計頻次。這一部分代碼內容如下：

def get_words(txt: str) -> str:
    """
    use jieba to cut words
    :param txt: input text
    :return:
    """
    # cut words
    seg_list = jieba.cut(txt)
    c = Counter()
    # count words
    for x in seg_list:
        if len(x) > 1 and x != '\r\n':
            c[x] += 1
    result = ""
    for (k, v) in c.most_common(300):
        # print('%s %d' % (k, v))
        result += "\n" + k
    return result

 　　在進行完上述操作之后，就可以使用 wordcloud 這個庫來生成詞雲了，生成詞雲時可以設置停止詞和字體，這一部分的代碼如下：

def generate_word_cloud(text):
    """
    generate word cloud
    :param text: text
    :return:
    """
    # text cleaning
    with open("stopwords.txt", "r", encoding='utf-8') as f:
        stopwords = set(f.read().split("\n"))
    wc = WordCloud(
        font_path="font.ttf",
        background_color="white",
        width=1200,
        height=800,
        max_words=100,
        max_font_size=200,
        min_font_size=10,
        stopwords=stopwords,  # 設置停用詞
    )
    # generate word cloud
    wc.generate("".join(text))
    # save as an image
    wc.to_file("rng_vs_skt.png")

 　　最終生成的詞雲圖為：

　　

　　可以看到很多人都在討論 faker 的，李哥還是李哥啊，李哥的瑞茲也是強的不行，也有不少彈幕在說天使和加里奧的問題，不得不說，小虎小明的發揮是有問題的，此外還有一些說噴子的，看來 B 站的噴子也不少啊。

 

　　完整代碼已上傳到 GitHub！