MOJITO 发布一周，爬一波弹幕分析下

MOJITO

最近一直啥都没写，追个热点都赶不上热乎的，鄙视自己一下。

周董的新歌 「MOJITO」 发售（6 月 12 日的零点）至今大致过去了一周，翻开 B 站 MV 一看，播放量妥妥破千万，弹幕破十万，这人气还真是杠杠的。

说实话， 「MOJITO」 这个名字对我来讲有点超纲了，第一次见到完全不知道啥意思。

不过问题不大，没有什么是百度解决不了的，如果有，那就再加一个知乎。

MOJITO 的中文名是莫吉托，百度百科上是这么介绍莫吉托的：

莫吉托（Mojito）是最有名的朗姆调酒之一。起源于古巴。传统上，莫吉托是一种由五种材料制成的鸡尾酒：淡朗姆酒、糖（传统上是用甘蔗汁）、莱姆（青柠）汁、苏打水和薄荷。最原始的古巴配方是使用留兰香或古巴岛上常见的柠檬薄荷。莱姆（青柠）与薄荷的清爽口味是为了与朗姆酒的烈性相互补，同时也使得这种透明无色的调酒成为夏日的热门饮料之一。这种调酒有着相对低的酒精含量(大约10%)。

酒精度数在 10% 左右的话，姑且可以认为一种饮料吧。

当然，如果要开车的话就不能把 MOJITO 当成饮料了，酒精含量再低那也是酒精。

整个 MV 我翻来覆去的看了好几遍， 「MOJITO」 这个东西除了在歌词和名字中有出现，在 MV 当中一次都没出现，毫无存在感。

爬取 B 站弹幕

弹幕数据的爬取比较简单，我就不一步一步的抓请求给各位演示了，注意下面这几个请求连接：

弹幕请求地址：

https://api.bilibili.com/x/v1/dm/list.so?oid=XXX

https://comment.bilibili.com/XXX.xml

第一个地址由于 B 站的网页做了更换，现在在 Chrome 工具的 network 里面已经找不到了，不过还可以用，这个是我之前找到的。

第二个地址来源于百度，我也不知道各路大神是从哪找出来这个地址的，供参考吧。

上面这两个弹幕地址实际上都需要一个叫 oid 的东西，这个 oid 获取方式如下：

首先可以找到一个目录页接口：

https://api.bilibili.com/x/player/pagelist?bvid=XXX&jsonp=jsonp

这个接口也是来源于 Chrome 的 network ，其中 bvid 这个参数来源于视频地址，比如周董的这个 「MOJITO」 的 MV ，地址是 https://www.bilibili.com/video/BV1PK4y1b7dt ，那么这个 bvid 的值就是最后那一部分 BV1PK4y1b7dt 。

接下来在 https://api.bilibili.com/x/player/pagelist?bvid=BV1PK4y1b7dt&jsonp=jsonp 这个接口中，我们可以看到返回的 json 参数，如下：

{
    "code":0,
    "message":"0",
    "ttl":1,
    "data":[
        {
            "cid":201056987,
            "page":1,
            "from":"vupload",
            "part":"JAY-MOJITO_完整MV(更新版)",
            "duration":189,
            "vid":"",
            "weblink":"",
            "dimension":{
                "width":1920,
                "height":1080,
                "rotate":0
            }
        }
    ]
}

注意：由于这个 MV 只有一个完整的视频，所以这里只有一个 cid ，如果一个视频是分不同小节发布的，这里就会有多个 cid ，不同的 cid 代表不同的视频。

当然，这里的 cid 就是我们刚才想找的那个 oid ，把这个 cid 拼到刚才的链接上，可以得到 https://api.bilibili.com/x/v1/dm/list.so?oid=201056987 这样一个地址，然后输入到浏览器中，可以看到弹幕的返回数据，是一个 xml 格式的文本。

源代码如下：

import requests
import re

# 获取 cid
res = requests.get("https://api.bilibili.com/x/player/pagelist?bvid=BV1PK4y1b7dt&jsonp=jsonp")
cid = res.json()['data'][0]['cid']

# 将弹幕 xml 通过正则取出，生成 list
danmu_url = f"https://api.bilibili.com/x/v1/dm/list.so?oid={cid}"
result = requests.get(danmu_url).content.decode('utf-8')
pattern = re.compile('<d.*?>(.*?)</d>')
danmu_list = pattern.findall(result)

# 将弹幕 list 保存至 txt 文件
with open("dan_mu.txt", mode="w", encoding="utf-8") as f:
    for item in danmu_list:
        f.write(item)
        f.write("\n")

这里我将获取到的弹幕保存在了 dan_mu.txt 文件中，方便后续分析。

绘制词云图

第一步先将刚才保存在 dan_mu.txt 文件中的弹幕读取出来，放到了一个 list 当中：

# 读取弹幕 txt 文件
with open("dan_mu.txt", encoding="utf-8") as f:
    txt = f.read()
danmu_list = txt.split("\n")

然后使用分词工具对弹幕进行分词，我这里使用的分词工具是最好的 Python 中文分词组件 jieba ，没有安装过 jieba 的同学可以使用以下命令进行安装：

pip install jieba

使用 jieba 对刚才获得的弹幕 list 进行分词：

# jieba 分词
danmu_cut = [jieba.lcut(item) for item in danmu_list]

这样，我们获得了分词后的 danmu_cut ，这个同样是一个 list 。

接着我们对分词后的 danmu_cut 进行下一项操作，去除停用词：

# 获取停用词
with open("baidu_stopwords.txt",encoding="utf-8") as f:
    stop = f.read()
stop_words = stop.split()

# 去掉停用词后的最终词
s_data_cut = pd.Series(danmu_cut)
all_words_after = s_data_cut.apply(lambda x:[i for i in x if i not in stop])

这里我引入了一个 baidu_stopwords.txt 文件，这个文件是百度停用词库，这里我找到了几个常用的中文停用词库，来源： https://github.com/goto456/stopwords 。

词表文件	词表名
baidu_stopwords.txt	百度停用词表
hit_stopwords.txt	哈工大停用词表
scu_stopwords.txt	四川大学机器智能实验室停用词库
cn_stopwords.txt	中文停用词表

这里我使用的是百度停用词表，大家可以根据自己的需要使用，也可以对这几个停用词表先做整合后再使用，主要的目的就是去除一些无需关注的词，上面这几个停用词库我都会提交到代码仓库，有需要的自取。

接着我们统计去除停用词后的词频：

# 词频统计
all_words = []
for i in all_words_after:
    all_words.extend(i)
word_count = pd.Series(all_words).value_counts()

最后一步就是生成我们的最终结果，词云图：

wordcloud.WordCloud(
    font_path='msyh.ttc',
    background_color="#fff",
    max_words=1000,
    max_font_size=200,
    random_state=42,
    width=900,
    height=1600
).fit_words(word_count).to_file("wordcloud.png")

最终结果就是下面这个：

从上面这个词云图中可以看到，粉丝对「MOJITO」这首歌是真爱啊，出现频率最高的就是 啊啊啊 和 爱 还有 粉 。

当然哈，这个 粉 也有可能是说 MV 当中那台骚气十足的粉色的老爷车。

还有一个出现频率比较高的是 爷青回 ，我估计这个意思应该是 爷的青春回来啦 ，确实，周董伴随着我这个年龄段的人一路走来，做为一位 79 年的人现在已经是 41 岁的「高龄」了，回首往昔，让人唏嘘不已。

当年一首 「双节棍」 火遍了中华大地，大街上的音像店整天都在循环这几首歌，在学校上学的我这一代人，基本上是人人都能哼两句，「快使用双截棍，哼哼哈嘿」成了我们这一代人共有的回忆。

智能情感倾向分析

我们还可以对弹幕进行一次情感倾向分析，这里我使用的是 「百度 AI 开放平台」 的情感倾向分析接口。

百度 AI 开放平台文档地址：https://ai.baidu.com/ai-doc/NLP/zk6z52hds

首先是根据文档接入 「百度 AI 开放平台」 ，获取 access_token ，代码如下：

# 获取 Baidu API access_token
access_token_url = f'https://aip.baidubce.com/oauth/2.0/token?grant_type={grant_type}&client_id={client_id}&client_secret={client_secret}&'

res = requests.post(access_token_url)

access_token = res.json()['access_token']

# 通用情感接口
# sentiment_url = f'https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token={access_token}'
# 定制化情感接口
sentiment_url = f'https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify_custom?charset=UTF-8&access_token={access_token}'

百度 AI 开放平台有两个情感分析接口，一个是通用的，还有一个是定制化的，我这里使用的是经过训练的定制化的接口，如果没有定制化的接口，使用通用的接口也没有问题。

上面使用到的 grant_type ， client_id ， client_secret 这几个参数，大家注册一下就能得到， 「百度 AI 开放平台」 上的这些接口都有调用数量的限制，不过我们自己使用已经足够了。

然后读取我们刚才保存的弹幕文本：

with open("dan_mu.txt", encoding="utf-8") as f:
    txt = f.read()
danmu_cat = txt.split("\n")

在调用接口获得情感倾向之前，我们还需要做一件事情，对弹幕进行一次处理，因为弹幕中会有一些 emoji 表情，而 emoji 直接请求百度的接口会返回错误，这里我使用另一个工具包对 emoji 表情进行处理。

首先安装工具包 emoji ：

pip install emoji

使用是非常简单的，我们对弹幕数据使用 emoji 进行一次处理：

import emoji

with open("dan_mu.txt", encoding="utf-8") as f:
    txt = f.read()
danmu_list = txt.split("\n")

for item in danmu_list:
    print(emoji.demojize(item))

我们的弹幕数据中是有这样的 emoji 表情的：

# 处理后：
:red_heart::red_heart::red_heart::red_heart::red_heart::red_heart::red_heart:

然后，我们就可以调用百度的情感倾向分析接口，对我们的弹幕数据进行分析了：

# 情感计数器
optimistic = 0
neutral = 0
pessimistic = 0

for danmu in danmu_list:
    # 因调用 QPS 限制，每次调用间隔 0.5s
    time.sleep(0.5)
    req_data = {
        'text': emoji.demojize(danmu)
    }
    # 调用情感倾向分析接口
    if len(danmu) > 0:
        r = requests.post(sentiment_url, json = req_data)
        print(r.json())
        for item in r.json()['items']:
            if item['sentiment'] == 2:
                # 正向情感
                optimistic += 1
            if item['sentiment'] == 1:
                # 中性情感
                neutral += 1
            if item['sentiment'] == 0:
                # 负向情感
                pessimistic += 1

print('正向情感:', optimistic)
print('中性情感:', neutral)
print('负向情感:', pessimistic)

attr = ['正向情感','中性情感','负向情感']
value = [optimistic, neutral, pessimistic]

c = (
    Pie()
    .add("", [list(attr) for attr in zip(attr, value)])
    .set_global_opts(title_opts=opts.TitleOpts(title="「MOJITO」弹幕情感分析"))
    .render("pie_base.html")
)

最后的结果图长这样：

从最后的结果上来看，正向情感占比大约在 2/3 左右，而负向情感只有不到 1/4 ，看来大多数人看到周董的新歌还是满怀激动的心情。

不过这个数据不一定准确，最多可以做一个参考。

源代码

需要源代码的同学可以在公众号后台回复「MOJITO」获取。