03 爬虫实例-获取网页弹幕内容

练习：爬取哔哩哔哩网页弹幕内容,并将爬取的内容以五角星的形式显示出来

需求实现

思路：

向哔哩哔哩网站发送请求
请求成功后,解析爬取的弹幕内容保存到一个文件中
读取文件并分析弹幕内容中词组或文字出现的频率
将这些词组或文字组成五角星图形
组成五角星图形后,以图片的形式输出

实现：

 1 #!/usr/bin/env python
 2 # -*- coding: utf-8 -*-
 3 # author：albert time:2019/10/28
 4 import requests
 5 from bs4 import BeautifulSoup
 6 import pandas as  pd
 7 import re
 8 import jieba
 9 from wordcloud import WordCloud
10 from imageio import imread
11 import matplotlib.pyplot as plt
12 
13 '''
14 --获取网站弹幕列表内容
15 '''
16 # 网页地址，该地址只针对哔哩哔哩弹幕网有效，获取方式查看
17 url = "http://comment.bilibili.com/124001121.xml"
18 
19 # 网站访问的用户代理，建议携带，不携带可能无法访问
20 header = {
21     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36"
22 }
23 
24 # 向对方服务器发送请求，返回访问状态，
25 # 返回状态如果是以[2]开头，表示访问成功，[4]开头表示网页不存在，[5]开头网站内部错误
26 # 访问状态无法直接读取，需通过属性[text]获取
27 response = requests.get(url,header)
28 
29 # 获取网页的编码规则，建议通过该方式获取，而不是直接赋值，可能存在设置不对的情况，可能不是中文网页
30 # response.encoding = "utf-8"
31 response.encoding = response.apparent_encoding
32 # print(response.text)
33 
34 # 获取网页文本内容
35 data = response.text
36 '''
37 --将获取到的弹幕内容处理后存放在txt文件中，并读取出来
38 --网页获取的弹幕内容是带html标签的，需要将标签和非汉字的内容清除
39 '''
40 # 解析文本xml，处理不规范标记并生成剖析树
41 soup = BeautifulSoup(data,'lxml')  
42 # print(soup)
43 # 获取所有<d>标签中的内容，此时是带标签的文本内容
44 d_list = soup.find_all('d')
45 
46 # 去掉<d>标签，将文本内容存在在列表dlst
47 dlst = []
48 for d in d_list:
49     danmu = {}
50     danmu['弹幕'] = d.text  # 循环获取所有<d>标签中内容
51     dlst.append(danmu)
52 
53 df = pd.DataFrame(dlst) # 将列表dlst中的内容存放在数据集中，类似于Excel表格
54 # print(df)
55 
56 # 创建并打开一个文件
57 f = open('cl.txt','w',encoding='utf-8')
58 # 进行文本过滤
59 for i in df['弹幕'].values: # 遍历数据集中的所有的弹幕内容
60     pat = re.compile(r'[一-龥+]')    # 定义过滤规则，只保留中文汉字，该正则表达式几乎包含了所有汉字龥（yu，第四声）
61     filter_data = re.findall(pattern=pat,string=i)     # 执行过滤操作
62     f.write(''.join(filter_data))     # 将过滤后的弹幕内容写入创建的[cl.txt]文件中
63 f.close()
64 
65 '''
66 --读取弹幕内容所在的文件[cl.txt]
67 '''
68 f1 = open('cl.txt','r',encoding='utf-8')
69 data = f1.read()
70 
71 '''
72 --将弹幕内容分割成词组，并组合成五角星的图案
73 '''
74 result = " ".join(jieba.lcut(data))
75 
76 f1.close()
77 color_mask = imread("五角星.jpg")         # 设置数据组合的图形，最好使用空心的图片
78 wc = WordCloud(
79     font_path="C:\Windows\Fonts\simsun.ttc",        # 数据显示的字体
80     width=1000,
81     height=800,
82     background_color='white',       # 词云的背景色
83     mask=color_mask         # 词云组成的图形，默认为二维
84 )
85 
86 wc.generate(result)     # 将弹幕内容生成词云
87 wc.to_file('clanned.png')       # 词云输出文件
88 
89 '''
90 --显示弹幕内容组成的图片
91 '''
92 plt.imshow(wc)
93 plt.show()

使用到的类库,如果没有,需要下载，下载命令：

pip install requests
pip install bs4
pip install pandas
pip install lxml        # 在解析xml文件时，需要使用
pip install jieba
pip install wordcloud
pip install imageio
pip install matplotlib

知识点：

request 向对方服务器发送请求
BeautifulSoup 解析爬取的弹幕内容
pandas 分析弹幕数据
jieba 中文分词器,或称为中文词组切片器
wordcloud 加载弹幕文本,并输出文件(这里使用图片的方式输出)
matplotlib.pyplot 将整理后的弹幕文本以图形的方式输出(这里是以五角星的图片为例)
imread 读取图片

问题:

爬取的弹幕内容被保存在了文件后，后又重新读取，是否可以不存放在文件中，直接使用列表或者其他对象存储，然后再读取？保存在文件和直接读取的优缺点是什么？
弹幕内容中除了汉字，实际上还包含了大量的字母，表情符号，这些内容可以通过什么正则表达式进行筛选，能否同时跟汉字一起筛选出来？
在导包的时候，使用[from scipy.misc import imread]报错，用[from imageio import imread]代替即可。为什么使用scipy.misc中的imread报错？

来源：oschina

链接：https://my.oschina.net/u/4344316/blog/3360900

标签

pip

jieba

matplotlib

beautifulsoup