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。

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：https://v.qq.com/x/page/n0806nqulao.html
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

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

aiohttp
async_timeout
uvloop(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：

asyncio
motor

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

jieba
wordcloud
matplotlib

生成词云需要用的图

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-8
import jieba
import matplotlib.pyplot as plt
from 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=false
words = ' '.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

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