python如何爬取bilibili的弹幕制作词云

这篇文章将为大家详细讲解有关python如何爬取bilibili的弹幕制作词云，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

公司主营业务：成都做网站、网站设计、外贸营销网站建设、移动网站开发等业务。帮助企业客户真正实现互联网宣传，提高企业的竞争能力。创新互联公司是一支青春激扬、勤奋敬业、活力青春激扬、勤奋敬业、活力澎湃、和谐高效的团队。公司秉承以“开放、自由、严谨、自律”为核心的企业文化，感谢他们对我们的高要求，感谢他们从不同领域给我们带来的挑战，让我们激情的团队有机会用头脑与智慧不断的给客户带来惊喜。创新互联公司推出白城免费做网站回馈大家。

需要知道cid,可以F12,F5刷新，找cid，找到之后拼接url

也可以写代码，解析response获取cid,然后再拼接

使用requests或者urllib都可以

我是用requests，请求该链接获取到xml文件

python如何爬取bilibili的弹幕制作词云

代码：获取xml

def get_data():
   res = requests.get('http://comment.bilibili.com/6315651.xml')
   res.encoding = 'utf8'
   with open('gugongdanmu.xml', 'a', encoding='utf8') as f:
       f.writelines(res.text)

解析xml,

def analyze_xml():
   f1 = open("gugongdanmu.xml", "r", encoding='utf8')
   f2 = open("tanmu2.txt", "w", encoding='utf8')
   count = 0
   # 正则匹配解决xml的多余的字符
   dr = re.compile(r'<[^>]+>', re.S)
   while 1:
       line = f1.readline()
       if not line:
           break
       pass
       # 匹配到之后用空代替
       dd = dr.sub('', line)
       # dd = re.findall(dr, line)
       count = count+1
       f2.writelines(dd)
   print(count)

去掉无用的字符和数字，找出所有的汉字

def analyze_hanzi():

   f1 = open("tanmu2.txt", "r", encoding='utf8')
   f2 = open("tanmu3.txt", "w",  encoding='utf8')
   count = 0
   # dr = re.compile(r'<[^>]+>',re.S)
   # 所有的汉字[一-龥]
   dr = re.compile(r'[一-龥]+',re.S)
   while 1:
       line = f1.readline()
       if not line:
           break
       pass
       # 找出无用的符号和数字
       # dd = dr.sub('',line)
       dd = re.findall(dr, line)
       count = count+1
       f2.writelines(dd)
   print(count)
   # pattern = re.compile(r'[一-龥]+')

使用jieba分词，生成词云

def show_sign():

   content = read_txt_file()
   segment = jieba.lcut(content)
   words_df = pd.DataFrame({'segment': segment})

   stopwords = pd.read_csv("stopwords.txt", index_col=False, quoting=3, sep=" ", names=['stopword'], encoding='utf-8')
   words_df = words_df[~words_df.segment.isin(stopwords.stopword)]
   print(words_df)
   print('-------------------------------')
   words_stat = words_df.groupby(by=['segment'])['segment'].agg(numpy.size)
   words_stat = words_stat.to_frame()
   words_stat.columns = ['计数']
   words_stat = words_stat.reset_index().sort_values(by=["计数"], ascending=False)

   # 设置词云属性
   color_mask = imread('ciyun.png')
   wordcloud = WordCloud(font_path="simhei.ttf",  # 设置字体可以显示中文
                         background_color="white",  # 背景颜色
                         max_words=1000,  # 词云显示的最大词数
                         mask=color_mask,  # 设置背景图片
                         max_font_size=100,  # 字体最大值
                         random_state=42,
                         width=1000, height=860, margin=2,
                         # 设置图片默认的大小,但是如果使用背景图片的话,                                                   # 那么保存的图片大小将会按照其大小保存,margin为词语边缘距离
                         )

   # 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数
   word_frequence = {x[0]: x[1] for x in words_stat.head(1000).values}
   print(word_frequence)
   # for key,value in word_frequence:
   #     write_txt_file(word_frequence)
   word_frequence_dict = {}
   for key in word_frequence:
       word_frequence_dict[key] = word_frequence[key]

   wordcloud.generate_from_frequencies(word_frequence_dict)
   # 从背景图片生成颜色值
   image_colors = ImageColorGenerator(color_mask)
   # 重新上色
   wordcloud.recolor(color_func=image_colors)
   # 保存图片
   wordcloud.to_file('output.png')
   plt.imshow(wordcloud)
   plt.axis("off")
   plt.show()