B站真的是一个神奇的地方，初次用Python爬取弹幕。

“网上冲浪”“886”“GG”“沙发”……如果你用过这些，那你可能是7080后；

“杯具”“神马”“浮云”“偷菜”……如果你用过这些，你可能是8090后；

“吃瓜群众”“一亿小目标”“蓝瘦，香菇”“主要看气质”……如果你用过这些，你可能是9000后；

“awsl”“逮虾户”“律师函警告”“挖藕”……如果你了解这些，你可能……

是混b站的吧！

大家好，我是大鹏，一位勉强通过b站会员考试的普通会员。

众所周知，b站弹幕是流行用语爆发的天堂，如果有一天你发现公司群里95、00后说话都听不懂了，来b站看看弹幕是很好的补习方式。可问题是，这么多视频这么多弹幕该从何看起呢？

数据分析师要有数据分析师的亚子，今天我就教大家用Python零基础来爬一爬这个小破站的弹幕，快速学习一些流行用语（完整教程代码会在文末放出）。

弹幕哪里找？

平常我们在看视频时，弹幕是出现在视频上的。实际上在网页中，弹幕是被隐藏在源代码中，以XML的数据格式进行加载的：

XML和JSON、YAML一样是一种通用的标记信息表达方式，可以简单的理解为一种记录数据的格式。XML和描述网页的语言HTML非常像，所以你会在截图中看到这样的标签。了解更多可以查看教程：https://www.runoob.com/xml/xml-intro.html

那么上图这个弹幕文件的url是什么呢？

https://comment.bilibili.com/92542241.xml

它以一个固定的url地址+视频的cid+.xml组成。只要找到你想要的视频cid，替换这个url就可以爬取所有弹幕了（b站大部分网页给出的字幕限制是1000条）。

一个视频的cid在哪里呢？右键网页，打开网页源代码，搜索cid”就能找到：

cid在网页源码中是一个很常见的词组，而我们要寻找的正确的cid都会写成"cid":xxxxxxxx的形式。为了缩小搜索范围，在后方加上一个引号会更快搜索到。

有了正确的cid，拼好url，我们就来写爬虫吧！

爬虫库到底是什么？

基本所有初学Python爬虫的人都会接触到requests、BeautifulSoup这两个工具库，这是两个常用基础库。requests用于向网站url发起请求，以获取网页代码；BeautifulSoup用于将HTML/XML内容解析，并提取里面的重要信息。

这两个库模拟了人访问网页，读懂网页并复制粘贴出对应信息的过程，能够批量地、快速地完成数据爬取。

开始爬取

观察网页，可以发现，所有的弹幕都放在了标签下，那么我们需要构建一个程序获取所有的标签：

第一步，导入requests库，使用request.get方法访问弹幕url:
import requests

获取页面数据html

url=r'https://comment.bilibili.com/78830153.xml'
r=requests.get(url)#访问url
r.encoding='utf8'

第二步，导入BeautifulSoup库，使用lxml解析器解析页面:
from bs4 import BeautifulSoup

解析页面

soup=BeautifulSoup(r.text,'lxml')#lxml是常用的解析器，需要提前使用pip工具安装lxml库
d=soup.find_all('d')#找到所有页面的d标签

print(d)

这样操作后，所有藏在d标签里的弹幕内容就被python抓取到了 :

解析完成后，接下来第三步就是运用Python基础函数中的for函数，将单条数据装进字典，再将所有字典装进一个列表：

解析弹幕,将弹幕、网址、时间整理为字典，最后加和成列表，共1000条数据

dlst=[]
n=0
for i in d:
n+=1
danmuku={}#将单条数据装进字典
danmuku['弹幕']=i.text
danmuku['网址']=url
danmuku['时间']=datetime.date.today()#需要先导入datetime库
dlst.append(danmuku)#将所有字典装进一个列表
print('获取了%i条数据' %n)

print(dlst)

此时整理好的弹幕数据如下，是不是已经有点常见的excel数据的意思了？

那我们就把它变得更加像excel数据吧！第四步导入大名鼎鼎的pandas库，一行代码将列表数据转为DataFrame数据，并保存到本地，爬虫的大体框架就完成了：

import pandas as pd

将列表变为DataFrame，使用pandas进行分析

df=pd.DataFrame(dlst)
df.to_excel('b站弹幕数据.xlsx')#讲爬下来的数据放在excel里

多个弹幕网址怎么爬?

没错，这个爬虫还存在很多可以优化的地方，比如是不是可以爬取多个弹幕？是不是可以封装起来，输入cid就出来结果呢？

当然可以。只要我们熟练掌握def定义函数功能，就可以把上述的爬虫功能写成一个爬取函数：

一键爬取一时爽，一直一键一直爽，完整代码就在文末，大家自己爽吧。

弹幕可以做什么分析?

鬼畜区出来的流行词永远是最有脑洞的，所以本文以最近很鬼畜的“巴啦啦小魔仙口胡”视频弹幕为例，教授流行用语：

首先看看，发弹幕的小伙伴有多少是话痨呢？

虽然大部分的弹幕都在10个字内解决，但平均来看大家会使用9.8个左右的字表达吐槽，最长的一位同学弹幕字数长达100字。10个字在平时说话可能就是一个短句，但是放在弹幕上已经是很长的一串了，看来刷弹的话痨还是很多的。

那么这些话痨都在说什么呢？

字数最多的前二十位同学就是在笑，沉浸式的大笑，果然人类的本质就是复读机：

既然说到复读机，除了哈哈哈以外，还有哪些词是经常被复读的呢？

“合影”“亚子”“雨女无瓜”“名场面”……不得不说这个小破站的网友脑洞清奇。有了这个，妈妈再也不愁我跟不上00后的步伐了。