转载：03 爬虫实例-获取网页弹幕内容
思路：
向哔哩哔哩网站发送请求请求成功后,解析爬取的弹幕内容保存到一个文件中读取文件并分析弹幕内容中词组或文字出现的频率将这些词组或文字组成五角星图形组成五角星图形后,以图片的形式输出
使用到的类库,如果没有,需要下载，下载命令：
pip install requestspip install bs4pip install pandaspip install lxml # 在解析xml文件时，需要使用pip install jiebapip install wordcloudpip install imageiopip install matplotlib
实现：
import requestsfrom bs4 import BeautifulSoupimport pandas as pdimport reimport jiebafrom wordcloud import WordCloudfrom imageio import imreadimport matplotlib.pyplot as plt'''python学习交流群：821460695更多学习资料可以加群获取'''# 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 = "/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dlstdlst = []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 = pile(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:WindowsFontssimsun.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()
