小编给大家分享一下如何用Python爬取弹幕，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨方法吧！

整篇文章分为两部分：1.爬取爱奇艺中该剧第一集的弹幕 2.对爬取出来的弹幕做处理，并制作词云。

1.爬取爱奇艺弹幕

相比于其他视频网站来说，爱奇艺的弹幕难爬一些，为啥呢，因为你爬取出来的文件是乱码的（下边会贴图），需要自己再把该文件二进制编码之后才能用。具体步骤如下：

首先，打开浏览器，进入爱奇艺页面，点开该剧，弹幕打开，然后F12，浏览器下方或者右侧会弹出一些界面，选择Network，在我图上标注的框中输入“bullet”搜索弹幕相关的文件，为啥输入这个搜索呢，因为这个单词的意思就是弹幕，程序员命名东西一般也是有规律的，还有大多视频网站的弹幕相关文件都是这个名字哈哈。如果你F12搜索之后无内容，那直接点击下浏览器刷新按钮即可。下图中箭头指的分别是Network、搜索框、弹幕文件名和弹幕内容（你可以看到，弹幕内容是乱七八糟的乱码）。还有说明一点，弹幕文件一集不止一个，爱奇艺5分钟加载一个弹幕文件（为啥5分钟，下边会解释）。

接下来，观察弹幕文件出现的规律以及弹幕文件地址中的规律，总结为以下：

弹幕文件链接规律为

https://cmts.iqiyi.com/bullet/tvid倒数4位的前两位/tvid最后两位/tvid_300_x.z；

x的计算方式为片子总时长除以300秒向上取整，即按每5分钟一个包。

tvid是啥呢，就是你URL导航栏里的这块，x为啥按5分钟一个包呢，是因为我F12之后查看两个相邻的弹幕文件包，它就是5分钟加载一个。

那第一集总共时长77分钟，按5分钟加载一个弹幕文件的话，向上取整，我们总共要抓取16个（77/5+1）弹幕文件。

抓取代码为：

importzlibimportrequestsforxinrange(16):x+=1#x是从1到16，16怎么来的，第一集总共77分钟，爱奇艺每5分钟会加载新的弹幕#77除以5向上取整url='https://cmts.iqiyi.com/bullet/92/00/9000000005439200_300_'+str(x)+'.z'bulletold=requests.get(url).content#这步取出来的文件是乱码的bulletnew=bytearray(bulletold)#将上一步的乱码文件用二进制再编码下xml=zlib.decompress(bulletnew,15+32).decode('utf-8')#把编码好的文件分别写入16个xml文件中（类似于txt文件），方便后边取数据withopen('./iqiyi'+str(x)+'.xml','a+',encoding='utf-8')asf:f.write(xml)f.close()

抓取出来的xml文件为下图，能看出来content字段就是弹幕：

将xml文件中的content字段取出来存为dan_mu.txt文件，方便我们之后做词云:

fromxml.dom.minidomimportparseimportxml.dom.minidomforxinrange(16):x+=1DOMTree=xml.dom.minidom.parse(r"C:\Users\dmj\PycharmProjects\test\iqiyi"+str(x)+".xml")collection=DOMTree.documentElement#在集合中获取所有entry数据entrys=collection.getElementsByTagName("entry")print(entrys)forentryinentrys:content=entry.getElementsByTagName('content')[0]print(content.childNodes[0].data)i=content.childNodes[0].datawithopen("dan_mu.txt",mode="a+",encoding="utf-8")asf:f.write(i)f.write("\n")

dan_mu.txt文件大概长这样：

2.制作词云

制作词云使用python的wordcloud库和jieba库，代码如下：

fromwordcloudimportWordCloudimportjiebaimportmatplotlib.pyplotasplt#读取弹幕txt文件withopen('./dan_mu.txt',encoding='utf-8',mode='r')asf:myText=f.read()myText="".join(jieba.cut(myText))list=myText.split("")#清洗无用数据foriinrange(len(list)-1,-1,-1):iflen(list[i])==1orlist[i]=="这个"or\list[i]=="不是"orlist[i]=="这么"\orlist[i]=="怎么"orlist[i]=="这是"\orlist[i]=="还是":list.remove(list[i])#print(list)myText="".join(list)print(myText)#制作词云wordcloud=WordCloud(background_color="white",font_path="simsun.ttf",height=300,width=400).generate(myText)#图片展示plt.imshow(wordcloud)plt.axis("off")plt.show()#将词云图片导出到当前文件夹wordcloud.to_file("wordCloudMo.png")

在此处可能会遇到的问题是，wordcloud这个外部库你在下载的时候可能会遇到各种花式报错，如何解决呢，参见下边这位老哥的方法：

https://blog.csdn.net/qq_42813128/article/details/82020510

词云图结果如下：

从词云图中我们可以看到，“真实”，“孩子”，“严良”，“普普”，“演技”等词语出现的频率很高。“真实”，“演技”，“厉害”等词语是大家对这部剧的肯定；“孩子”指的是这三个主演的小孩；“普普”的演技真的很不错，大家都猜测她会不会成为下一个张子枫。

总体来讲，弹幕中大家对这部剧基本都是好评，所以还是值得一看的。

看完了这篇文章，相信你对如何用Python爬取弹幕有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！