EDG夺冠，Python分析一波B站评论，总结：EDG，nb

前言

2012，一个卡牌，一个雷恩加尔，一群红衣少年的欢声笑语。

2013，一个杰斯，一个扎克，一场支离破碎的梦境。

2014，一个螳螂，一个兰博，一座摇摇欲坠的基地。

2015，一个寡妇，一个妖姬，一本永远叠不上去的梅贾窃魂卷。

2016，一个盲僧，一个奥拉夫，一串耻辱的数字。

2017，一个克格莫，一个青钢影，一个赛区绝境中最后的救赎。

2018，一个刀妹，一个剑魔，一个至高无上的尊严。

2019，一个泰坦，一个盲僧，一个浴火重生的凤凰。

2020，一个船长，一个剑姬，一个杀戮无法弥补的遗憾。

2021，一个皇子，一个佐伊，一个挽大厦于将倾的骑士。

今天的主角就是2021年英雄联盟全球总决赛冠军——EDG，当天夺冠消息一出，立马登顶各大媒体平台热搜榜，引发巨大反响，本文以B站官方赛事评论为例，来看看能不能发现什么有趣的内容！

探寻网页规律

待爬取链接：https://www.bilibili.com/video/BV1EP4y1j7kV?p=7

F12打开抓包工具–>选择network–>向下滑动评论–>寻找对应数据包

数据包链接如下：
https://api.bilibili.com/x/v2/reply/main?callback=jQuery172020429646890840103_1636422926026&jsonp=jsonp&next=2&type=1&oid=891511588&mode=3&plat=1&_=1636423918172

直接打开会发现并不是对应的 json 文件。

仔细观察链接会发现有 “callback=jQuery172020429646890840103_1636422926026” 这个参数，根据字面意思应该是回调参数，我们尝试将它删掉，重现打开。

现在数据包就可以得到了，下一步找到控制“页数”的参数即可，经测试发现就是 next=2 这个参数。

数据抓取

获取url列表

通过 url 模板，格式化 url ，保存到待抓取列表中。

def get_url_list():
    url_list = []
    # url模板
    url = f'https://api.bilibili.com/x/v2/reply/main?jsonp=jsonp&next=%d&type=1&oid=891511588&mode=3&plat=1&_=1636423918172'
    for i in range(1, 10):
        # 将格式化的url添加到字符串中
        url_list.append(url%i)
    return url_list

抓取程序

因为待抓取的数据还是有些多，整个抓取采用 异步协程 的方式，使用时要替换请求头 headers 中的 cookie ，本次的代码只对网页请求进行异步操作，文件读写这部分并未设计异步。

async def get_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
        'cookie': "填写自己对应的网页cookie"
    }
    async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False), trust_env=True) as session:
        while True:
            async with session.get(url=url, headers=headers, timeout=8) as response:
                # 更改相应数据的编码格式
                response.encoding = 'utf-8'
                # 遇到IO请求挂起当前任务，等IO操作完成执行之后的代码，当协程挂起时，事件循环可以去执行其他任务。
                page_text = await response.text()
                print(f"{url.split('=')[-1]}爬取完成!")
                break
    return save_to_csv(page_text)

数据解析与存储

从上面图中的内容可以看到，数据结构还是有点复杂的，这里我根据个人兴趣提取了一部分感兴趣的字段，大部分评论具有回复内容，这里只采集第一级评论的回复，数据保存时要注意 DataFrame 的表头不要重复保存。

def save_comment(df, dic, rep=False):
    message = dic['content']['message'] if not rep else dic['content']['message'].split(':', 1)[-1]
    df = df.append({'ctime':dic['ctime'],
           'like':dic['like'],
           'uname':dic['member']['uname'],
           'sex':dic['member']['sex'],
           'current_level':dic['member']['level_info']['current_level'],
           'message':message},
         ignore_index=True)

def save_to_csv(page_text):
    df = pd.DataFrame({'ctime': [], 'like': [], 'uname': [], 'sex': [],
                       'current_level': [], 'message': []})
    data = json.loads(page_text)
    comment = data['data']['replies']
    for dic in comment:
        save_comment(df, dic)
        if dic['replies'] != None:
            for reply in dic['replies']:
                save_comment(df, reply, rep=True)
    header = False if Path(r'C:\Users\pc\Desktop\bilibili.csv').is_file() else True
    df.to_csv(r'C:\Users\pc\Desktop\bilibili.csv', header=header, index=False, mode='a')
    print('成功保存：' + str(len(df)) + '条')

完整源码文末获取

数据可视化

写文时间确实不多，只有用 Tableau 简单可视化一下了！

热评发布时间分布

可以看到热评发布时间集中在 11月6日下午5-6点，基本占了整个热评池的一半左右。

评论热度排行

下面看一下热度排名前三的评论：

jiejie:像scout说实话，我真的很想给他一个冠军你知道吗?
他在edg打了那么久，我很想去给他一个冠军，我其实我是幻想过，我们一起在冰岛打到最后，我们一起捧奖杯>的那个画面，我们六个，芙兰朵，viper，妹扣，俊嘉，如果厂长小象能来的话，我们八个人一起捧起召唤师奖>杯。
lpl是最牛逼的，没有之一！
————点赞数104089

也许有一天，我说也许，也许有一天，我们再次对英雄联盟电子竞技失去了信心。因为韩国的宰治，从四强赛>看来，已卷土重来。
但我觉得不是今天。
也许有一天，这些我们所熟知的热爱的选手，没有办法坚持在舞台上了。
但也不是今天。
今天，EDG浴血奋战！不破不立！来迎战LCK一号种子DK战队，我们准备进入召唤师峡谷！77777！！！[打>call][打call][打call]
————点赞数67413

骑士拔剑，攘除外敌，重建王朝。
我懂了是亚瑟王传说！
————点赞数37223

评论人群等级

大佬是真的多呀，2级的只有2%左右！5级6级大佬占了73%，4级的我瑟瑟发抖。。

评论人群性别比例

评论中男女占比 5:1 ，男生还是主力军！

合成看板

源码获取

关注图中公众号，后台回复 EDG 获取本文【爬取源码，Tableau源文件，词云图绘制源码】