bilibili數(shù)據(jù)分析-彈幕語言分析

前面爬蟲爬取bilibili視頻信息進行數(shù)文章中做了爬蟲的源代碼和思路以及基礎播放數(shù)據(jù)的思路，今天繼續(xù)上次的文章，對彈幕語言進行分析。

1.載入所需要的庫包

#xml包里進行解析的方法
import xml.etree.ElementTree as ET
import pandas as pd
import numpy as np
import jieba
#scipy中處理圖像的函數(shù)
from scipy.misc import imread
from wordcloud import WordCloud,ImageColorGenerator
import matplotlib.pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')

2.解析彈幕xml文件

定義解析xml的方法，獲取節(jié)點

#解析xml
def parseXml(file):
    text_all = ''''''
    tree = ET.parse(file)
    #獲取節(jié)點
    root = tree.getroot()
    for child in root:
        if child.tag == 'd':
            text_all = text_all + child.text
    return text_all

以B站敖廠長的“貪玩藍月”視頻彈幕作為事例

text_all = parseXml('tanwanlanyue.xml')

3.繪制詞云

載入準備好的背景圖片和字體，為詞云做美化

#設置背景圖片以及字體
back_color = imread('bilibili.png')
font = 'Tensentype-DouDouJ.ttf'

設置wordcloud的參數(shù)，背景顏色為白色，最大詞匯量會1000，面板遮罩為載入好的圖片，字體。

# 獲取WordCloud對象
wc = WordCloud(background_color='white',
              max_words=1000,
              mask=back_color,
              font_path = font,
              random_state = 15 )

使用jieba分詞，生成迭代器，載入數(shù)據(jù)為空格字符串。

# jieba分詞，形成有空格的字符串
word_list = []
word_generator = jieba.cut(text_all,cut_all=False)
for word in word_generator:
    word_list.append(word)
text = ' '.join(word_list)

wc.generate(text)

繪制詞云圖片

plt.figure(figsize=(20,10))
plt.axis('off')
plt.imshow(wc)

以背景圖片的主色彩來做字體顏色

#獲取背景圖片的色彩
image_colors = ImageColorGenerator(back_color)
plt.figure(figsize=(20,10))
plt.imshow(wc.recolor(color_func=image_colors))
plt.axis('off')
plt.show()

4.彈幕情感分析

運用準備好的停用詞、情感詞、否定詞等詞典，載入對文本進行處理

#載入停用詞
f=open('stopword.dic')  
stopwords = f.readlines()  
stopwords=[i.replace("\n","") for i in stopwords]  

from collections import defaultdict  

#載入情感詞  
f1 =open("BosonNLP_sentiment_score.txt")  
senList = f1.readlines()  
senDict = defaultdict()  
for s in senList:  
    s=s.replace("\n","")  
    senDict[s.split(' ')[0]] = float(s.split(' ')[1])  

#載入否定詞  
f2=open("notDict.txt")  
notList = f2.readlines()  
notList=[x.replace("\n","") for x in notList if x != '']  

#載入程度副詞  
f3=open("degreeDict.txt")  
degreeList = f3.readlines()  
degreeDict = defaultdict()  
for d in degreeList:  
    degreeDict[d.split(',')[0]] = float(d.split(',')[1])

#將文本數(shù)據(jù)進行分詞，載入列表
def sent2word(sentence):
    seglist = jieba.cut(sentence)
    segResult = []
    for w in seglist:
        segResult.append(w)
    newSent = []
    #如果詞匯是在停用詞中，則過濾掉
    for word in segResult:
        if word in stopwords:
            continue
        else:
            newSent.append(word)
    return newSent

t = []
t.append(sent2word(text_all))

#評分方法
def word_score(word_list):
    id = []
    for i in word_list:
        if i in senDict.keys():
            id.append(1)
        elif i in notList:
            id.append(2)
        elif i in degreeDict.keys():
            id.append(3)
    
    word_nake = []
    for i in word_list:
        if i in senDict.keys():
            word_nake.append(i)
        elif i in notList:
            word_nake.append(i)
        elif i in degreeDict.keys():
            word_nake.append(i)
    
    score = 0
    w = 1
    score0 = 0
    for i in range(len(id)):
        if id[i] == 1:
            score0 = w*senDict[word_nake[i]]
            w = 1
        elif id[i] == 2:
            w = -1
        elif id[i] == 3:
            w = w*degreeDict[word_nake[i]]
        score = score+score0
        score0 = 0
    return score

導出為DataFrame便于處理數(shù)據(jù)。

score_list = []
for i in t[0]:
    score_list.append(class_score(i))
score_df = pd.DataFrame()
score_df['word'] = t[0]
score_df['score'] = score_list
score_df = score_df.drop_duplicates('word',keep='first')

這是負面評分評價，分值越低越消極：

這是正面評分評價（充滿了譏諷-笑），分值越高越積極：

5.bilibili人氣視頻彈幕分析

1.咬人貓-極樂凈土 播放量1336.6W

作為舞蹈區(qū)的播放量大人，視頻播放量一直在B站居高不下，up主咬人貓一直以可愛的形象出現(xiàn)在視頻中，也因此收獲了一大批粉絲。

詞云：

看到了大大的“啊啊啊”，“喜歡”，也代表了彈幕對于這一視頻的主要情感和文字。

情感分析：

整體趨于平滑，情感更偏向于喜歡。

特別在這里解釋一下，“prprprpr”是舔屏的擬聲詞，ssr是陰陽師的鬼神等級，為最高等級。負面情感中“啊啊啊”，“咋辦”，“吐血”，“困住”其實是表達對于這一視頻里的妹子有多吸引人，無法自拔，咋辦，吐血，被視頻困住的意思。

2.面筋哥x波瀾哥-我的烤面筋融化你的心 播放量610.2W

面筋哥可謂是三月份B站最火的人，和波瀾哥，李根，高音哥并稱“追夢四人組”，經(jīng)過鬼畜區(qū)大佬的調(diào)教和制作，將面筋哥和波瀾哥合體為“義結筋瀾”的歌曲

詞云：

其中“Microsoft YaHei”、“SimHei true”、“Yahei true”是高級彈幕的設置文件（大部分內(nèi)容為歌詞），在此沒有做更多的處理，AlanWalk是目前世界DJ電音界的牛人，在此視頻中由此調(diào)侃AlanWalk看中了面筋哥和波瀾哥，以達到娛樂效果。

情感分析：

負極情感詞匯其實很多都沒有太多表達的意思，咳咳更多的其實是表示一種不可言說的意義。

2.敖廠長-變態(tài)做出來的游戲 播放量427.0W

敖廠長是游戲區(qū)一股清流，運用獨有的游戲知識深度和風趣的解說方式，一直位列游戲區(qū)前列，做過很多童年時候玩過或者聽過的游戲，深度揭秘其中的秘密和故事。

詞云：

整個詞云充斥著變態(tài)、臥槽，沙耶之歌是日本一款反式轉(zhuǎn)角游戲，主角因為其視角不同，看到的世界也分為現(xiàn)實和血腥世界。

情感分析：

6.總結

其實可以看出，B站整體彈幕風格還是以積極風趣、玩笑一樂為主，這也其實代表了當下很多年輕人所希望的心理狀態(tài)，在現(xiàn)實世界認真的活著，在虛擬的一面又很風趣的傳達快樂。

B站的彈幕已經(jīng)逐漸發(fā)展，超越“論壇”這一緩慢形式的正式交談，形成了高速流式的非正式隨機娛樂。因為接受度和內(nèi)容理解度的降低，B站的受眾群體往往是較為年輕的一代，但其實很多?；蛘邚椖恢械亩巫铀枰睦斫饬?，也逐漸的提升。這會為年輕一代對于新鮮事物的接受度，自我認知，善惡識別等，形成重要的渠徑。這也是需要B站對于彈幕文化的把控和引導。

ps.因為后兩個的分詞數(shù)據(jù)沒有做壓縮，出現(xiàn)了大量的“6666666666”的詞匯，導致整體函數(shù)圖像上揚。后期會加上更改，運用正則進行壓縮。