萌新学习Python爬取B站弹幕+R语言分词demo说明
一、写在前面
之前在简书首页看到了Python爬虫的介绍，于是就想着爬取B站弹幕并绘制词云，因此有了这样一个简单的尝试，从搭建环境到跑通demo，不懂语法，不知含义，装好环境，查到API，跑通Demo，就是目标！纯零基础萌新！
关于环境的安装及调试过程中遇到的问题记录请移步
二、Python爬取B站弹幕
环境说明
windows8.1 x64+python3.6+scrapy1.4
参考文档：
scrapy github
scrapy document
scrapy爬虫框架入门实例
步骤说明
- 安装python3.6
- 安装scrapy1.4
- 建立scrapy demo
- 跑通demo遇到问题、解决问题
- 更改demo为B站弹幕爬取demo
我这边是按照参考文档中 scrapy爬虫框架入门实例这个demo来做的，这个文章里面无论是介绍还是scrapy的入门都非常详细，建议大家按照- 这个来入门，但是由于慕课网的结构样式以及更改了，所以demo是跑不起来的，因此我换成了爬取B站的弹幕demo。截止2017年9月2日亲测可跑通。
Demo说明
1. 安装scrapy成功之后建立项目scrapytest
scrapy startproject scrapytest
2. demo目录
本demo目录仅保留当前demo可用的文件，且文件名字不同于scrapy自动生成的文件名字，对于未涉及到的文件进行了删除
│ scrapy.cfg//项目的配置文件
└─scrapytest
│ CourseItems.py//定义一个容器保存要爬取的数据
│ MyPipelines.py//项目中的pipelines文件.
│ settings.py//项目中的设置文件.
├─spiders
│ │ data.json//爬取数据生成的文件
│ └─ Myspider.py//爬虫主代码
3. demo代码
创建CourseItems.py文件
定义一个容器保存要爬取的数据。为了定义常用的输出数据，Scrapy提供了Item类。Item对象是种简单的容器，保存了爬取到得数据。 其提供了 类似于词典(dictionary-like)的API以及用于声明可用字段的简单语法。由于最后输出的只要弹幕的内容，所以容器中只定义了弹幕的内容
#引入文件
import scrapy
class CourseItem(scrapy.Item):
#弹幕内容
content = scrapy.Field()
编写爬取代码Myspider.py
-
bilibili的弹幕是在xml文件里，每个视频都有其对应的cid和aid，我们取到cid中的数字放入http://comment.bilibili.com/+cid+.xml,即可得到该视频对应的cid。
cid取法：cid在源码中是没有找到的，目前我的做法是在页面上F12，然后查找cid，该cid即为弹幕页的标识，如果有可以通过代码查到的方法，还请告知。目前例子中的cid有1000多条弹幕，建议大家换个少的进行测试。
-
弹幕的xml文件结构非常简单，所以通过Xpath简单解析即可
import scrapy
#引入容器
from scrapytest.CourseItems import CourseItem
class Myspider(scrapy.Spider):
#设置name
name = "Myspider" //启动项目时所用name
#设定域名
allowed_domains = ["bilibili.com"]
#填写爬取地址
start_urls = ["http://comment.bilibili.com/2015358.xml"]
#编写爬取方法
def parse(self, response):
#实例一个容器保存爬取的信息
item = CourseItem()
#这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定
#直接爬取弹幕内容
str0 = \'\'
for box in response.xpath(\'/i/d/text()\'):
#获取每一条弹幕内容
str0 += box.extract()+\',\';
#返回信息
item[\'content\'] = str0;//最后输出的结构是值：字符串的结构，详细见输出图
yield item
编写MyPipelines.py处理数据
当成功获取信息后，要进行信息的验证、储存等工作，这里只进行简单的将数据存储在json中的操作。
#引入文件
from scrapy.exceptions import DropItem
import json
class MyPipeline(object):
def __init__(self):
#打开文件
self.file = open(\'data.json\', \'w\', encoding=\'utf-8\')
#该方法用于处理数据
def process_item(self, item, spider):
#读取item中的数据
line = json.dumps(dict(item), ensure_ascii=False) + "\n"
#写入文件
self.file.write(line)
#返回item
return item
#该方法在spider被开启时被调用。
def open_spider(self, spider):
pass
#该方法在spider被关闭时被调用。
def close_spider(self, spider):
pass
注册Pipeline
找到settings.py文件,这个文件时爬虫的配置文件，在其中添加
ITEM_PIPELINES = {
\'scrapytest.MyPipelines.MyPipeline\': 300,
}
上面的代码用于注册Pipeline，其中scrapytest.MyPipelines.MyPipeline为你要注册的类，右侧的’300’为该Pipeline的优先级，范围1～1000，越小越先执行。(ps：这个并没有详细了解)
4. 运行demo
在Myspider.py的同级下执行cmd控制台，运行一下命令。
scrapy crawl MySpider
5. 运行结果
这是一个json的文件，json文件的输出结构更改在Myspider.py中，我改成这种通过逗号来连接每一条弹幕时是为了之后方便分词。大家也可以把代码改了改成另一种展示方式
(便于分词的展示方式)
(另一种方式)
到此python爬取B站弹幕demo结束，接下来我们通过拿到的json文件去R语言中进行分词。
三、R语言分词实例
环境说明
window8.1 x64+R3.4.2+jiebaR插件+rJson插件+RStudio编辑器+wordcloud2插件
R语言官网
Rstudio下载地址
R语言中文分司包jiabaR
R和json的傻瓜式编程
R语言w3c教程
jiebaR中午分词文档
wordcloud2 gtihub
R语言︱文本挖掘——词云wordcloud2包
步骤说明
- 安装R、Rstudio、jiebaR、rJSON
- 引入JSON文件
- 分词处理
- 停止词处理
- 过滤数字及字母
- 产生数据
- 调用wordcloud2绘制词云
关于jiebaR分词基本是按照R语言中文分司包jiabaR这个博客的demo来进行的。该博文中对于jiebaR的各种函数介绍的非常全面，因此下面demo将不对代码内容进行详细介绍。demo中的各种路径请自行更改。
demo说明
只有一个jiebaR.R文件即完成了分词和绘制词云，代码如下：
#调入分词的库
library("jiebaR")
library("rjson")
#这里读取的`python`爬取的`json`文件，拿道了对象中`content`键的值，该值是一长串字符串，在爬虫输出的时候通过逗号来连接字符串，因此分词时是通过逗号进行的分词
myfile<-fromJSON(file = "F:/gitlab/py/scrapytest/scrapytest/spiders/data.json")$content
#预处理，这步可以将读入的文本转换为可以分词的字符，本demo通过逗号进行分词
myfile.res<-myfile[myfile!=","]
#调用分词引擎worker函数 stop_word为停止词设置
wk = worker(stop_word =\'F:/R/stopw.txt\')
#segment为分词结果
segment = wk[myfile.res]
#对于分词结果进行正则过滤，去掉数字及字母
segment = gsub("[a-zA-Z\\/\\.0-9]+","",segment)
#计算词频，该data即为传入词云的数据
data <- freq(segment)
#引入wordcloud2，在引入之前请先安装
library(wordcloud2)
#调用wordcloud2函数绘制词云，该函数参数在github已有介绍
wordcloud2(data,size = 1, fontFamily = "微软雅黑",color = "random-light"")
(计算词频后的结果)
(我一开始万万没有想到我分出来会这么丑)
问题说明
1.计算词频
由于弹幕的条数比较多，分词过滤后的词频很多，没有细查找如何再进一步的排序过滤筛选词，所以导致词云的结果并不是很好
2. 关键词提取
个人认为通过关键字提取出的词云会更好一旦，jiabaR提供了关键字提取的方法及提取的结果，结果上面是词语出现频率。
#提取150个关键字
keys = worker("keywords",topn=150)
#关键字结果
re = vector_keywords(segment,keys)
(提取出的关键字结果)
从图上可以看出这个关键词比较适合用来做词云，但是这里遇到了问题，关键字的结果时vector类型，并不能直接作为wordcloud的参数，从测试结果上来看wordcloud的参数接收data.frame类型，且要有词的内容和词频，当我通过如下代码将vector类型转换为data.frame时，并将结果输出到了csv的文件后发现，输出的内容并没有词频。没有词频就无法通过wordcloud来进行绘制！！！,求指教如何将关键词放入wordcloud进行绘制！！！
#re为调用vector_keywords产生的结果
data.frame(re);
#将结果输出到文件中
write.csv(data.frame(re),"F:/R/2345.csv",row.names = T)
(通过调用关键词函数vector_keywords产生的结果)
3. 提出出的词语如何能文字更多
在做词库处理时，我这边用了搜狗的词库替换了jiabaR的原来词库，因此可以出现类似于神罗天征这样的四字词语，在原来的词库里，连宇智波都是被分开的！但是如何把很短的一句话也提取出来呢，从最开始的弹幕可以看到，原文件中是有大量的重复的一句话，除了自己在搜狗词包之外设置固定的词语短句，不知道还有没有别的方法，欢迎指导。
最后的那个图被我做的太丑了，简直影响观看，我如果一开始能预料到分出来会这么丑……我万万不会去分的，而且现在做云文字的网站都自带分词好像是，所以……所以我也不知道我这是在干嘛……。如有错误还请指教！
四、代码结构截图
项目代码结构截图
spiders文件夹截图
萌新学习Python爬取B站弹幕+R语言分词demo说明
注：本文著作权归作者，由demo大师代发，拒绝转载，转载需要作者授权
请发表评论