python爬虫实战之bilibili弹幕生成云图

突然想到了这个题目，先开了题，看能不能一次搞定，#后记，花了两天时间搞定的，一直想用自己的方法爬，但是效果都不好

首先去分析一下bilibili的网站请求，但是弹幕的异步传输的包抓不到（或者隐藏的好，或者是我技术水平有限），然后网上比较一致的看法是在JS里暴露了一个弹幕xml文件的id，然后用一个新的请求把xml文件下载下来，然后分析。

大体思路是：用avid去拿到cid，cid获取到弹幕文件，解析弹幕文件，生成云图

搞了两天，先把代码扔上来

from selenium import webdriver
from bs4 import BeautifulSoup
import re
from wordcloud import WordCloud
from scipy.misc import imread
import matplotlib.pyplot as plt

driver=webdriver.PhantomJS()
driver.get('http://www.bilibili.com/video/av15719999/')  #用的是selenium和webdriver，试过用requests库的get方法，不成功
soup = BeautifulSoup(driver.page_source,'lxml')          #把返回的html解析出来

sc = soup.find('script',text=re.compile("EmbedPlayer*"))#找到有特定词‘EmbedPlayer’的script标签
sc1 =str(sc)  #截取cid的值
a = sc1.find('cid=');
b = sc1.find('&');
sc2=sc1[a+4:b]
# print(sc2)
driver.get("http://comment.bilibili.com/"+sc2+".xml")  #这个是重点，通过刚才拿到的cid去把弹幕的xml文件拿下来
soupxml = BeautifulSoup(driver.page_source,'lxml')
ds =soupxml.find_all('d')#拿到所有的弹幕节点
cuttext =''
for d in ds:
    cuttext = cuttext+' '+str(d.text);#使用一个字符串把文件串起来
#print(cuttext)
#初始化词云
color_mask = imread("425176.jpg")  # 读取背景图片
cloud = WordCloud(
    # 设置字体，不指定就会出现乱码，这个文件是字体文件，可以去网上下载一个，然后写上路径
    font_path="SourceHanSerif-Heavy.ttc",
    # 设置背景色
    background_color='white',
    # 词云形状，就是刚才读取的背景图片
    mask=color_mask,
    # 允许最大词汇，出os报错的时候可能就是这个设置过大了
    max_words=100,
    # 最大号字体，出os报错的时候可能就是这个设置过大了
    # max_font_size=40
)
word_cloud = cloud.generate_from_text(cuttext)  # 产生词云
word_cloud.to_file("3.png")  # 保存图片
#  显示词云图片
plt.imshow(word_cloud)
plt.axis('off')
plt.show()

不嫌弃的话可以访问我的个人主页，已经把功能集成到上边去了。在Funs功能列表中

http://1163949417-jack.55555.io/west/main/