《中餐厅》弹幕数据分析，我不要你觉得，我只要我觉得！

这段时间奇怪了，周围朋友都爱上了同一个口头禅“我不要你觉得，我只要我觉得”；我就纳闷了汉语文字那么多，你们偏偏都爱上了同一句，我怀疑他们在玩梗，果不其然，在B站的鬼畜区了解到了真相。

绿大暗仅凭一己之力，将综艺节目《中餐厅3》推上了热门，成为了本季度当之无愧的综艺之王，“我不要你觉得，我只要我觉得”，“别说话，听我的”等是绿大暗的经典名言，这些名言被称为“明学”，甚至隐隐与“六学”齐名，两开花。

对一部视频作品，如果说评论是观众观看后的沉思，那么弹幕就是吃瓜群众情感的实时流露，为了一窥“明学”的真谛，我打算爬一爬《中餐厅3》的弹幕数据，做一个情感分析。

废话不多说，“起锅烧油”

一、分析网页爬数据

1.确认加载方式

《中餐厅3》在芒果TV独播，打开Chrome浏览器，访问第1集的链接https://www.mgtv.com/b/330026/6086563.html,通过禁用页面javaScript发现页面视频和弹幕都无法加载，并且右键-查看页面源码，搜索不到弹幕的文字，说明数据是异步加载的

2.抓包分析

打开刚刚关闭的javaScript，重新加载页面，F12打开开发者工具，仔细查找XHR或JS最终在js中找到了弹幕数据，链接是这样的 https://galaxy.bz.mgtv.com/rdbarrage?version=2.0.0&vid=6086563&abroad=0&pid=&os=&uuid=&deviceid=&cid=330026&ticket=&time=60102&mac=&platform=0&callback=jsonp_1568127366004_84552

弹幕数据是json格式，但是伪装成了jQuery藏在JS里面。

3.链接分析

从抓包的地址看，弹幕的真实请求地址是https://galaxy.bz.mgtv.com/rdbarrage?，其后是一堆相关的参数，相关的参数见下图

上图中许多参数字段是没有值的，所以我们试着简化请求地址链接，最终发现https://galaxy.bz.mgtv.com/rdbarrage?vid=6086563&cid=330026&time=60102仍然可以请求成功，也就是说只保留vid,cid.time3个参数就可以了

接下来分析vid,cid.time这3个参数

首先我们把前3期的url列出来

第1期：https://www.mgtv.com/b/330026/6086563.html

第2期：https://www.mgtv.com/b/330026/6128068.html

第3期：https://www.mgtv.com/b/330026/6168375.html

发现上述url中330026没有变化，只有后面的一串文字发生了变化，通过和下图中参数对比，发现url中第一个不变的数字串就是我们要寻找的vid，而后面的数字串就是cid，不难看出，vid是“中餐厅3”在芒果TV平台中的编号，而cid是中餐厅3不同期数的编号。

那么参数time是什么？ 首先通过time英文的本身来看，她是一个和时间有关系的变量，那么可以有以下猜测

1. time是本波弹幕开始加载的时间；
2. time是本波弹幕播放的总时长

然后观察4条相邻的弹幕js数据,当前弹幕的next的值和下一条弹幕js文件请求的time值非常接近，于是尝试把 https://galaxy.bz.mgtv.com/rdbarrage?vid=6086563&cid=330026&time=120083中的time值修改为120000，然后再次请求数据，发现仍然可以成功请求到对应的数据

上图中在next参数的旁边还有个参数interval，她的英文意思是“间隔，间距”，而弹幕的time值依次是60000、120000、180000….，差值为60000，所以推测next=1000*interval，所以很有可能next的单位是ms，而interval的单位是s。

为了验证猜想，我们把视频进度条拉到最后，本期的视频长度为104.01分钟，而最后一条弹幕的next为6240000，6240000ms转化为分钟刚好是104min，验证成立：time是每条弹幕开始播放的时间。

至此所有的参数都已经搞清楚了

二、爬取数据

采用request请求数据，导入我们需要调用的包

import requests
import json 
import pandas as pd
import time

首先定义一个主函数用来获取每条弹幕js文件的内容，并将获得的数据转化为json格式。传入的参数time_zimu是每条弹幕开始播放的时间

def main(time_zimu):
    url='https://galaxy.bz.mgtv.com/rdbarrage?vid=6337608&cid=330026&time='+str(time_zimu)
    html=requests.get(url,headers=headers)
    html.encoding="utf-8"
    html_data=html.text[html.text.find('['):-2]
    html_data_json=json.loads(html_data)

这需要注意一点，因为我们要获取的json数据是在jQuery中，为了避免出错，我们这里直接获取json部分的数据html_data=html.text[html.text.find('['):-2]，效果如下图

将数据转为json格式后，其中type，uid,content,time是我们想要的数据

构造获取弹幕信息函数，传入json的数据orgin_data，通过循环重复取出单条弹幕信息，并提取对应的字段

def get_infos(orgin_data):
    for infos in orgin_data:
        yield[
        infos['type'],
        infos['uid'],
        infos['content'],
        infos['time']
        ]

构造保存数据函数，将获得的数据构建成DaraFrame，将数据保存到csv文件中

def save_data(single_data):
    data=[]
    data.extend(single_data)
    columns=['type','uid','content','time']
    data_frame=pd.DataFrame(data=data,columns=columns)
    data_frame.to_csv('data2019.csv',mode='a')

最后封装函数，循环获取所有弹幕文件

if __name__ == "__main__":
    time_c=60000 #加载弹幕时间间隔
    for i in range(0,110): #此处110取决于最后弹幕的出现时间
        print('开始 时间为'+str(i)+'的字幕')
        main(time_c*i)
        time.sleep(3)

三、展示成果

运行爬虫，开始工作爬取弹幕

展示下我们爬取到的弹幕数据文件的前几行数据，达成获得弹幕数据成就

data=pd.read_csv('data2019.csv')
print(data.head())

四、one more thing

这篇文章并没有太大难度，但是对于新手来说，网上的的教程都集中在代码部分，而前期的分析工作则一笔带过，其实这部分才是最重要的部分，这也是我写本文的初衷。