Java爬取B站弹幕 —— Python云图Wordcloud生成弹幕词云

一 . Java爬取B站弹幕

弹幕的存储位置

如何通过B站视频AV号找到弹幕对应的xml文件号

首先爬取视频网页，将对应视频网页源码获得

就可以找到该视频的av号aid=8678034

还有弹幕序号，cid=14295428

弹幕存放位置为 http://comment.bilibili.com/14295428.xml

 1 import org.apache.http.HttpEntity;
 2 import org.apache.http.client.methods.CloseableHttpResponse;
 3 import org.apache.http.client.methods.HttpGet;
 4 import org.apache.http.impl.client.CloseableHttpClient;
 5 import org.apache.http.impl.client.HttpClients;
 6 import org.apache.http.util.EntityUtils;
 7 import java.io.*;
 8 import java.net.URL;
 9 import java.util.regex.Matcher;
10 import java.util.regex.Pattern;
11 
12 public class getBiliBiliBofqi {
13     public static boolean isInteger(String str) {
14         Pattern pattern = Pattern.compile("^[-\+]?[\d]*$");
15         return pattern.matcher(str).matches();
16     }
17     public static void getBofqi(String aid) throws Exception {
18         CloseableHttpClient closeableHttpClient = HttpClients.createDefault();
19         HttpGet httpGet = new HttpGet("https://www.bilibili.com/video/av" + aid + "/");
20         CloseableHttpResponse httpResponse = closeableHttpClient.execute(httpGet);
21         HttpEntity httpEntity = httpResponse.getEntity();
22         String en = EntityUtils.toString(httpEntity);
23         //"cid=16496518&aid=9979006&pre_ad="
24         String con = "cid=(.*)?&aid=";
25         Pattern ah = Pattern.compile(con);
26         Matcher mr = ah.matcher(en);
27         while (mr.find()) {
28             String id = mr.group();
29             // 解析弹幕xml文件
30             String newUrl = id.replace("cid=", "");
31             String x = newUrl.replace("&aid=", "");
32             if(!isInteger(x)){
33                 return ;
34             }
35             URL url  = new URL( "http://comment.bilibili.com/"+x+".xml" );
36             HttpGet httpGet1 = new HttpGet("http://comment.bilibili.com/"+x+".xml");
37             CloseableHttpResponse httpResponse1 = closeableHttpClient.execute(httpGet1) ;
38             HttpEntity httpEntity1 = httpResponse1.getEntity() ;
39             String en1 = EntityUtils.toString(httpEntity1,"utf-8") ;
40 
41             String c = "">(.*?)<";
42             Pattern a = Pattern.compile(c);
43             Matcher m = a.matcher(en1);
44             RandomAccessFile randomAccessFile = new RandomAccessFile("E:\dan_"+x+".txt", "rw");
45             while (m.find()) {
46                 String speak = m.group().replace("">", "");
47                 speak = speak.replace("<", "");
48 
49                 // 存储弹幕
50                 long len = randomAccessFile.length();
51                 randomAccessFile.seek(len);
52                 randomAccessFile.write(speak.getBytes());
53                 randomAccessFile.write("
".getBytes());
54                 System.out.println(speak);
55             }
56             randomAccessFile.write("
".getBytes());
57             randomAccessFile.close();
58         }
59     } 
60     public static void main(String[] args) throws Exception {
61         getBofqi("16772795");
62         getBofqi("8542373");
63         getBofqi("5112921");
64         getBofqi("1747345");
65         getBofqi("2648921");
66         getBofqi("2333333");
67         getBofqi("3771373");
68         getBofqi("17224371");
69     }
70 }

爬取的弹幕文件：

运行结果：

二 . Python云图Wordcloud生成弹幕词云

1      github:https://github.com/amueller/word_cloud 
2      官方地址:https://amueller.github.io/word_cloud/

# coding: utf-8
import jieba
from scipy.misc import imread  # 这是一个处理图像的函数
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
import matplotlib.pyplot as plt

back_color = imread('02.jpg')  # 解析该图片

wc = WordCloud(background_color='white',  # 背景颜色
               max_words=500,  # 最大词数
               #mask=back_color,  # 以该参数值作图绘制词云，这个参数不为空时，width和height会被忽略
               max_font_size=100,  # 显示字体的最大值
               stopwords=STOPWORDS.add('fa'),  # 使用内置的屏蔽词，再添加'苟利国'
               font_path="C:/Windows/Fonts/STFANGSO.ttf",  # 解决显示口字型乱码问题，可进入C:/Windows/Fonts/目录更换字体
               random_state=42,  # 为每个词返回一个PIL颜色
                 width=1000,  # 图片的宽
                 height=860  #图片的长
               )
# WordCloud各含义参数请点击 wordcloud参数
 
# 打开词源的文本文件
text = open('dan_6051409.txt').read()


# 该函数的作用就是把屏蔽词去掉，使用这个函数就不用在WordCloud参数中添加stopwords参数了
# 把你需要屏蔽的词全部放入一个stopwords文本文件里即可
def stop_words(texts):
    words_list = []
    word_generator = jieba.cut(texts, cut_all=False)  # 返回的是一个迭代器
    with open('stopwords.txt') as f:
        str_text = f.read()
        unicode_text = unicode(str_text, 'utf-8')  # 把str格式转成unicode格式
        f.close()  # stopwords文本中词的格式是'一词一行'
    for word in word_generator:
        if word.strip() not in unicode_text:
            words_list.append(word)
    return ' '.join(words_list)  # 注意是空格


text = stop_words(text)

wc.generate(text)
# 基于彩色图像生成相应彩色
image_colors = ImageColorGenerator(back_color)
# 显示图片
plt.imshow(wc)
# 关闭坐标轴
plt.axis('off')
# 绘制词云
plt.figure()
plt.imshow(wc.recolor(color_func=image_colors))
plt.axis('off')
# 保存图片
wc.to_file('1.png')

word_cloud 生成词云有两个方法。from text 和 from frequencies 。

即文本生成和频率生成，每一个都有对应的函数可以使用

1 generate(text)      Generate wordcloud from text.
2 generate_from_text(text)    Generate wordcloud from text.
3 generate_from_frequencies      Create a word_cloud from words and frequencies.
4 fit_words      Create a word_cloud from words and frequencies.

wordcloud包的基本用法

1 class wordcloud.WordCloud(font_path=None, width=400, height=200, margin=2, 
2 ranks_only=None, prefer_horizontal=0.9,mask=None, scale=1, color_func=None, 
3 max_words=200, min_font_size=4, stopwords=None, random_state=None,background_color='black', 
4 max_font_size=None, font_step=1, mode='RGB', relative_scaling=0.5, regexp=None, 
5 collocations=True,colormap=None, normalize_plurals=True)

font_path : string //字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = '黑体.ttf'
width : int (default=400) //输出的画布宽度，默认为400像素
height : int (default=200) //输出的画布高度，默认为200像素
prefer_horizontal : float (default=0.90) //词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）
mask : nd-array or None (default=None) //如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。
除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imread('读取一张图片.png')，
背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存，就ok了。
scale : float (default=1) //按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。
min_font_size : int (default=4) //显示的最小的字体大小
font_step : int (default=1) //字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。
max_words : number (default=200) //要显示的词的最大个数
stopwords : set of strings or None //设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS
background_color : color value (default=”black”) //背景颜色，如background_color='white',背景颜色为白色。
max_font_size : int or None (default=None) //显示的最大的字体大小
mode : string (default=”RGB”) //当参数为“RGBA”并且background_color不为空时，背景为透明。
relative_scaling : float (default=.5) //词频和字体大小的关联性
color_func : callable, default=None //生成新颜色的函数，如果为空，则使用 self.color_func
regexp : string or None (optional) //使用正则表达式分隔输入的文本
collocations : bool, default=True //是否包括两个词的搭配
colormap : string or matplotlib colormap, default=”viridis” //给每个单词随机分配颜色，若指定color_func，则忽略该方法。
fit_words(frequencies) //根据词频生成词云【frequencies，为字典类型】
generate(text) //根据文本生成词云
generate_from_frequencies(frequencies[, ...]) //根据词频生成词云
generate_from_text(text) //根据文本生成词云
process_text(text) //将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）
recolor([random_state, color_func, colormap]) //对现有输出重新着色。重新上色会比重新生成整个词云快很多。
to_array() //转化为 numpy array
to_file(filename) //输出到文件