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

 

 

思路：

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

实现：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author：albert time:2019/10/28
import requests
from bs4 import BeautifulSoup
import pandas as  pd
import re
import jieba
from wordcloud import WordCloud
from imageio import imread
import matplotlib.pyplot as plt

'''
--获取网站弹幕列表内容
'''
# 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
url = "http://comment.bilibili.com/124001121.xml"

# 网站访问的用户代理，建议携带，不携带可能无法访问
header = {
    "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"
}

# 向对方服务器发送请求，返回访问状态，
# 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
# 访问状态无法直接读取，需通过属性[text]获取
response = requests.get(url,header)

# 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
# response.encoding = "utf-8"
response.encoding = response.apparent_encoding
# print(response.text)

# 获取网页文本内容
data = response.text
'''
--将获取到的弹幕内容处理后存放在txt文件中，并读取出来
--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
'''
# 解析文本xml，处理不规范标记并生成剖析树
soup = BeautifulSoup(data,'lxml')  
# print(soup)
# 获取所有<d>标签中的内容，此时是带标签的文本内容
d_list = soup.find_all('d')

# 去掉<d>标签，将文本内容存在在列表dlst
dlst = []
for d in d_list:
    danmu = {}
    danmu['弹幕'] = d.text  # 循环获取所有<d>标签中内容
    dlst.append(danmu)

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
# print(df)

# 创建并打开一个文件
f = open('cl.txt','w',encoding='utf-8')
# 进行文本过滤
for i in df['弹幕'].values: # 遍历数据集中的所有的弹幕内容
    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）
    filter_data = re.findall(pattern=pat,string=i)     # 执行过滤操作
    f.write(''.join(filter_data))     # 将过滤后的弹幕内容写入创建的[cl.txt]文件中
f.close()

'''
--读取弹幕内容所在的文件[cl.txt]
'''
f1 = open('cl.txt','r',encoding='utf-8')
data = f1.read()

'''
--将弹幕内容分割成词组，并组合成五角星的图案
'''
result = " ".join(jieba.lcut(data))

f1.close()
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
wc = WordCloud(
    font_path="C:\Windows\Fonts\simsun.ttc",        # 数据显示的字体
    width=1000,
    height=800,
    background_color='white',       # 词云的背景色
    mask=color_mask         # 词云组成的图形，默认为二维
)

wc.generate(result)     # 将弹幕内容生成词云
wc.to_file('clanned.png')       # 词云输出文件

'''
--显示弹幕内容组成的图片
'''
plt.imshow(wc)
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？