Python 爬取 B 站数据分析，宋智孝李光洙谁最受中国粉丝喜爱

作者 | 左伊雅

责编 | 胡巍巍

《Running Man》是韩国SBS电视台在《星期天真好》单元推出的户外竞技真人秀节目。

节目致力于打造一个不同于Real variety的新型态娱乐节目。每期有不同的主题，由不同的嘉宾参演，分为不同的队伍进行比赛，通过完成各种游戏任务，最后获胜一方将获得称号或奖品。

成员组成包括原六位成员刘在石、池石镇、金钟国、HAHA（河东勋）、宋智孝、李光洙 ，以及两位新成员全昭旻、梁世灿 。

抓取数据

自从限韩令发布后，Running man在除B站以外的各大视频网站均下架，所以本文从B站出发，抓取相关视频的所有评论。

由于相关视频非常多，本文选择了最具代表性，点击量观看次数最多的视频。

进入这个页面后开始抓包（https://www.bilibili.com/video/av18089528？from=search&seid= 16848360519725142300）。

不断点击下一页，可以发现reply?callback=这个文件一直在出现。

打开其中一个文件以后可以看到每一面的评论都在里面；只需构建出类似的URL就可以把所有的评论都爬下来啦。

分析一下这个URL：

https://api.bilibili.com/x/v2/replycallback=jQuery17201477141935656543_1541165464647&jsonp=jsonp&pn=368&type=1&oid=18089528&sort=0&_=1541165714862

pn是页面数，_对应距离1971年1月1日的秒数，直接用time.time就可以获得，其余参数保持不变。数据格式是Json，但是B站有点小狡猾啊~

它把所有的Json数据都存在jQuery17201477141935656543_1541165464647这个里面。

所以提取的时候要处理一下（Talk is cheap，show me the code)。

html=requests.get(url,headers=headers).text
html=json.loads(html.split('(',1))[1][:-1]）

最后我们把所有的评论都抓取下来存入Excel中，数据格式是这样子的：

写入CSV的时候一定要记得encoding='utf-8'，就因为少了这个，数据总会乱码，因为各种奇葩的原因 （点了一下，拉宽了一下，原地保存一下） 。

数据清洗

对于B站的各种缺失数据，就直接用0替换；对于诗歌类的评论，它存到CSV时是一句占一行，而它的其余信息都会存到最后一行。

所以在处理时，把前面的n-1行打包append到n行的评论中，再把n-1行删除；对于B站返回的时间（类似于1540882722）；用time.strftime('%Y-%m-%d %H:%M:%S,time.localtime())变换成2018/11/12    22：15：15。

数据分析

清理后一共得到7513*11条数据，接下来对数据进行一些分析，数据分析通过 Python 和R完成。

男女分布

从饼图可以看出，近六成的人选择保密个人信息，公开信息显示女生仅比男生多3%。这个结论是出乎意料的。原来不论男女都很喜欢Running man。

def male(sex):
    att=['男','女','保密']
    val=[]
    for i in att:
        val.append(sex.count(i))
    pie = Pie("", "性别饼图", title_pos="right", width=1200, height=600)
    pie.add("", att, val, label_text_color=None, is_label_show=True, legend_orient='vertical',
            is_more_utils=True, legend_pos='left')
    pie.render("sexPie.html")

评论周分布

Running man在韩国的更新时间是每周天下午，但是要到周一B站才会有所更新。

因此从评论周分布图可以看到，星期一的评论数是远远大于其他时间的，其次是星期二和星期天，正好在Runnning man 更新前后，对比其他时间段评论数有一定增长。

def ana_week(week):
    weeks=['星期天','星期一','星期二','星期三','星期四','星期五','星期六']
    output_file('week_bar.html')
    count=[]
    for i in sorted(set(week)):
        if not numpy.isnan(i):
            count.append(week.count(i))
    source = ColumnDataSource(data=dict(weeks=weeks, counts=count,color=['orange','yellowgreen','pink','darksalmon','lightgreen','paleturquoise','lightsteelblue']))
    p=figure(x_range=weeks, y_range=(0,4000), plot_height=250, title="Week Counts",
           toolbar_location=None, tools="")
    p.vbar(x='weeks', top='counts', color='color',width=0.9, legend="Week", source=source)
    p.legend.orientation = "horizontal"
    p.legend.location = "top_right"
    show(p)

评论时间分布

除了每周评论数，对于评论数的日趋势也十分好奇，大家一般会在什么时间段内观看评论呢？

根据上图可以看到，在6点以后迎来一个爆炸性增涨，在11点-13点之间达到峰值，其次是在15点-17点之间迎来第二波小高潮。

在晚间，除了20点有一定下降外，评论数都接近500条。而午夜评论数最少，不过还是有不少夜猫子啊。

def ana_hour(hour):
    h,k=[],[]
    for i in range(len(hour)):
        if isinstance(hour[i],str):
            h.append(hour[i][:2])
    for i in sorted(set(h)):
        k.append(h.count(i))
    print(k)
    output_file('hour_line.html')
    p = figure(plot_width=400,title='各小时评论数', plot_height=400)
    p.line(sorted(set(h)), k, line_width=2)
    p.circle(sorted(set(h)), k, fill_color="white", size=8)
    show(p)

评论字数与点赞数

对比每条评论的字数与点赞次数，从上图可以看到，评论的字数越多，获得赞的概率就越大：100字以上的评论获得赞的平均次数远高于100字以下的评论，而那些10个字以内的评论基本没有获得赞，所以只要你是认真评论写出大家的心声，就能获得大家的认同。

def com_zan(com,zan):
    q,w,e,r,t=[],[],[],[],[]
    for i in range(len(com)):
        if len(com[i])<10:
            q.append(zan[i])
        if 10<=len(com[i])<50:
            w.append(zan[i])
        if 50<=len(com[i])<100:
            e.append(zan[i])
        if 100<=len(com[i]):
            r.append(zan[i])
    a=go.Box(y=q,name='0-10个字')
    b=go.Box(y=w,name='10-50个字')
    c=go.Box(y=e,name='50-100个字')
    d=go.Box(y=r,name='100以上个字')
    e=go.Box(y=zan,name='所有评论')
    data=[a,b,e,c,d]
    layout = go.Layout(legend=dict(font=dict(size=16)),orientation=270)
    fig = go.Figure(data=data, layout=layout)
    plotly.offline.plot(data)

情感分析

将大家的评论分别进行情感分析，越接近1说明正面情感越强烈；相反越靠近0负面情绪越强。

从上图可以看到，虽然有近600人的评论是非常负能量，但是绝大多数的人都是1分、0.9分。

在Running man给我们带来欢乐与感动的同时，大家对Running man是满满的宠爱啊。

def snownlp(com):
    q=[]
    for i in com:
        s=SnowNLP(i)
        q.append(round(s.sentiments,1))
    emotion=[]
    count=[]
    for i in sorted(set(q)):
        emotion.append(str(i))
        count.append(q.count(i))
    #count=[596, 481, 559, 566, 490, 617, 528, 601, 581, 809, 1685]
    #emotion=['0.0', '0.1', '0.2', '0.3', '0.4', '0.5', '0.6', '0.7', '0.8', '0.9', '1.0']
    output_file('评论情感分析.html')
    source = ColumnDataSource(data=dict(emotion=emotion, counts=count))
    p = figure(x_range=emotion, y_range=(0, 2000), plot_height=250, title="评论情感分析",
               toolbar_location=None, tools="")
    p.vbar(x='emotion', top='counts', width=0.9, source=source)
    p.legend.orientation = "horizontal"
    show(p)

话题度排行

一直都很好奇在观众心中哪个mc的话题度最高，所以做了一个话题度排行。从上图可以看到haha是最具话题性的mc（这个结果有点出乎意料呢）其次是李光洙和宋智孝。

因为笔者统计的是2018年的Running man ，所以Gary的数据是有点凄惨的。对比两个新成员，全妹的话题度比世赞高的不是一点点。

def hot(com):
    #print(com)
    output_file('各成员话题度.html')
    jzg=['金钟国','钟国','能力者']
    gary=['gary','狗哥']
    haha=['haha','HAHA','哈哈']
    qsm=['全昭敏','全妹','全昭body']
    lsz=['梁世赞','世赞','小不点']
    name=['池石镇','刘在石','宋智孝','李光洙','金钟国','gary','haha','全昭敏','梁世赞']
    csz,lzs,szx,lgz,jzg,gary,haha,qsm,lsz=[],[],[],[],[],[],[],[],[]
    for i in com:
        if  '池石镇'in i or'石镇' in i or'鼻子'in i:
            csz.append(i)
        if '刘在石'in i or '在石' in i or '大神' in i or '蚂蚱' in i:
            lzs.append(i)
        if '宋智孝' in i or '智孝'in i or '懵智'in i or '美懵'in i:
            szx.append(i)
        if '李光洙'in i or '光洙'in i or '一筐猪'in i:
            lgz.append(i)
        if '金钟国'in i or '钟国'in i or '能力者'in i:
            jzg.append(i)
        if 'gary'in i or'狗哥'in i:
            gary.append(i)
        if 'haha'in i or 'HAHA'in i or '哈哈'in i:
            haha.append(i)
        if '全昭敏'in i or '全妹'in i or'全昭body'in i:
            qsm.append(i)
        if '梁世赞'in i or'世赞'in i or'小不点'in i:
            lsz.append(i)
   count=[len(csz),len(lzs),len(szx),len(lgz),len(jzg),len(gary),len(haha),len(qsm),len(lsz)]
    source = ColumnDataSource(data=dict(name=name, counts=count,color=['orange', 
'yellowgreen', 'pink', 'darksalmon','lightgreen','paleturquoise','lightsteelblue',
'hotpink','yellow']))
    p = figure(x_range=name, y_range=(0, 600), plot_height=250, title="话题度排行",
               toolbar_location=None, tools="")
    p.vbar(x='name', top='counts', color='color', width=0.9, source=source)
    p.legend.orientation = "horizontal"
    show(p)

Running man一直都不缺CP，前有周一情侣Gary和宋智孝，权力夫妇刘在石和金钟国，老年line刘在石和池石镇，我兄我弟金钟国和haha，背叛者联盟必触cross。

现在又有国民兄妹刘在石和全昭敏，麻浦兄妹宋智孝和haha，烤肉line金钟国haha等等。

他们的关系错综复杂，所以笔者打算好好扒一扒观众眼中的各种line。

成员关系矩阵

满分为100分，可以看到池石镇和刘在石；刘在石和李光洙；金钟国和宋智孝；Gary和宋智孝；haha和李光洙；全昭敏和宋智孝的相关性均非常高，其中Gary和宋智孝的相关性居然达到40，也就是说评论中如果有Gary那么有四成的概率会出现宋智孝，周一情侣真的是深入人心。

其次是宋智孝和金钟国，看来之前还一直有人说他俩会结婚也不是空穴来潮；而梁世赞与其余成员的相关性都很高，这说明大家都不怎么单独提到他，希望世赞可以早日找到自己的定位；获得观众的认可！

def network_edg_csv(com):
    df=pandas.DataFrame(columns=['池石镇','刘在石','宋智孝','李光洙','金钟国','gary','haha','全昭敏','梁世赞'],index=['池石镇','刘在石','宋智孝','李光洙','金钟国','gary','haha','全昭敏','梁世赞'])
    df.loc[:,:]=0.0
    for i in com:
        if  (i in '池石镇'in i or'石镇' in i or'鼻子'in i):
            df['池石镇']['池石镇'] = df['池石镇']['池石镇'] + 1
            if('刘在石'in i or '在石' in i or '大神' in i or '蚂蚱' in i):
                df['池石镇']['刘在石'] = df['池石镇']['刘在石'] + 1
                df['刘在石']['池石镇'] = df['刘在石']['池石镇'] + 1
    #成员关系矩阵df计算方式：在同一个评论中，如果同时出现刘在石和池石镇，那么他们的联系值+1；再用（刘在石和池石镇的联系值/池石镇出现在评论的次数）*100得到他们的相关性系数。
    for i in df.index:
        s=df.loc[i][i]
        for j in ['池石镇','刘在石','宋智孝','李光洙','金钟国','gary','haha','全昭敏','梁世赞']:
            df.loc[i][j]=df.loc[i][j]/s*100
    fig=pyl.figure()   names=['chishizhen','liuzaishi','songzhixiao','liguangzhu','jinzgongguo','gary','haha','quanshaomin','liangshizan']
    ax=fig.add_subplot(figsize=(100, 100)) 
    ax=seaborn.heatmap(df, cmap='rainbow',linewidths = 0.05, vmax = 100,vmin = 0,annot = True, annot_kws = { 'size': 6, 'weight': 'bold'})   
    pyl.xticks(np.arange(9) + 0.5, names,rotation=-90)
    pyl.yticks(np.arange(9) + 0.5, names,rotation=360)
    ax.set_title('Characteristic correlation')  # 标题设置
    pyl.show()

社交网络关系网

在社交网络关系网中，按红、黄、绿、蓝将联系的紧密程度划分为四个等级，其中红色代表联系非常紧密，而蓝色是不紧密。

可以看到，李光洙、haha、刘在石三人联系非常紧密，同时金钟国和宋智孝的关系也非常密切。对于Gary，自从他退出Running man以后，各成员和他的联系都非常小。

def network():
    data=pandas.read_csv('run_edge.csv',encoding='utf-8',engine='python')
    G = nx.Graph()
    pyl.figure(figsize=(20,20))
    for i in data.index:      G.add_weighted_edges_from([(data.loc[i]['one'],data.loc[i]['two'],data.loc[i]['count'])])
    n=nx.draw(G)
    pyl.show()
    pos=nx.spring_layout(G)
    large=[(x,y) for (x,y,z)in G.edges(data=True) if z['weight']>100]
    middle = [(x, y) for (x, y, z) in G.edges(data=True) if 50<z['weight'] <= 100]
    middlev = [(x, y) for (x, y, z) in G.edges(data=True) if 10 < z['weight'] <= 50]
    small=[(x,y)for (x,y,z)in G.edges(data=True) if z['weight']<=10]
    nx.draw_networkx_nodes(G,pos,alpha=0.6)
    nx.draw_networkx_edges(G,pos,edgelist=large,width=3,edge_color='red')
    nx.draw_networkx_edges(G, pos, edgelist=middle, width=2, edge_color='yellow')
    nx.draw_networkx_edges(G, pos, edgelist=middlev, width=1, edge_color='yellowgreen')
    nx.draw_networkx_edges(G, pos, edgelist=small, width=0.5, edge_color='green')
    nx.draw_networkx_labels(G,pos,font_size=10,font_family='simhei')
    pyl.axis('off')
    pyl.show()

词云图

这个词云图我是用R做的，但是R的词云图背景是要全黑和全白，所以就放弃了给词云加个图案的想法。

回到词云图，可以看出，大家对于节目本身，各位成员的讨论是很多的，同时在评论里也表达了自己对Running man各种喜爱之情。

def comment(com):
    df=pandas.DataFrame()
    pl=[]
    stopword=['的','了','是','。','，',' ','？','！','就','\n','：','“','”','*','=','（','）','吗','吧','(',')','・','[',']','、','°','？','！','.','-','｀','；',',','《','》']
    for i in range(len(com)):
        cut_list=jieba.cut(com[i],cut_all=False)
        w='/'.join(cut_list)
        w=w.split('/')
        for j in w:
            if not j in stopword:
                pl.append(j)
    for s in set(pl):
        if len(s)>1:
            if pl.count(s) > 50:
                x = {}
                x['word']=s.strip('\n')
                x['count']=pl.count(s)
                df=df.append(x,ignore_index=True)
    print(df)
    df.to_csv('jieba.csv',encoding='utf-8',index=False, mode='a', header=False)
    print(df)
#下面用R生成词云图
library(wordcloud2)
data<-read.csv(header=FALSE,'C:/Users/伊雅/PycharmProjects/untitled/venv/share/doc/ jieba.csv')
f=data.frame(data)
f
wordcloud2(f)

最后，希望Running man 给我们带来越来越多欢乐，收视率越来越好噢。

相关代码上传到Github（https://github.com/zuobangbang/running-man--Bilibili）。

作者简介：左伊雅，目前在南京某211大学读研二，喜欢数据挖掘和爬虫，如果你对该方向感兴趣，可关注作者公众号：zuobangbang

推荐阅读：

• Angular 垮台、ES6 最受欢迎，20,000 名 程序员 告诉你谁是 JS 王者！

• 人工智能的“虚假式繁荣”

• 算法工程师独得恩宠 四面楚歌的Android工程师该何去何从？

• 算力寻租或将终结中本聪的POW机制？深度解析BCH“司机补贴战”

• Python告诉你：这类程序员最赚钱！

• 公开课报名 | 详解CNN-pFSMN模型以及在语音识别中的应用

• Java 程序员必备的 15 个框架，前 3 个地位无可动摇！