Python爬取394452條《都挺好》彈幕數據，發現彈幕比劇還精彩？

作者 |周志鵬，2年數據分析，深切感受到數據分析的有趣和學習過程中缺少案例的無奈，遂新開公眾號「數據不吹?！?，定期更新數據分析相關技巧和有趣案例（含實戰數據集）。

最近《都挺好》真的挺火。

火到什么程度？微博熱搜霸榜，辦公室評彈聲四起，大強輕松攻占表情包，甚至連N年不追劇的瘦宅們也開始沉迷其中，大呼真香。

圖片來源《都挺好》官微

劇很精彩，但追劇界有句俗話說的好：“彈幕往往比劇更精彩”，為了讓精彩延續下去，我終究沒能忍住對（騰訊視頻）彈幕下手。

經過一番折騰，發現彈幕是JSON格式動態加載的，而且加載的非常有規律，30秒一發（80-100條），多出的會隱藏。共計爬取了394452條彈幕（雨露均沾，每集平均8575條，每30S的間隔爬?。?，來挖一挖彈幕這個寶藏。

1、彈幕基本盤概覽

爬到的源數據是醬紫的：

發現有部分用戶名是缺失的，由于這部分用戶占比很?。▋H0.61%），所以我們直接暴力的除去這部分噪聲。

清洗之后，還剩下117484個用戶發送的392051條彈幕，人均發送彈幕量3.34條。

再看看每個人發送彈幕數是怎么樣分布的：

顯而易見，大部分用戶還是比較佛系的，71607位用戶（占比60.95%）在46集中只發送過1條彈幕，他們內心嚴格遵循“愛就一個字，我只發一次”的彈幕發送準則。

發送條數在3條及以內的用戶數占比達到了83.73%，他們累計貢獻了133331條彈幕，占到彈幕總數的34.01%，反過來看，剩下16.27%的用戶貢獻了彈幕量的65.99%。從這個角度來看，二八法則在這里更像是二七法則（20%的用戶貢獻了70%的內容）。

2、是誰在瘋狂發射彈幕，而彈幕又愛上了誰

彈幕發送量TOP10榜單：

我們都知道明成是“行走的造糞機”，那么從彈幕的角度來看，誰是“行走的彈幕發射機”呢？

為此，我們篩選出累計發送彈幕TOP10的用戶：

微微一操作（爬取、清洗和分析都使用PYTHON）

danmu_counts = df.groupby('用戶名')['評論id'].count().sort_values(ascending= False).reset_index()danmu_counts.columns = ['用戶名','累計發送彈幕數']danmu_counts.head(10)br

Emmm,上一步我們知道平均每個人在整部劇會發送3.34條彈幕，而彈幕發送排行榜前十的旁友們發送量都是過千級別的，我們再加上這個用戶彈幕發送涉及到的集數，進一步看看平均每集發送彈幕數。為了更直觀一些，可視化之：

一位名叫"@L"的用戶獨占鰲頭，是毋庸置疑的C位輸出。在46集的電視劇中，他的彈幕血洗了32集，累計發射2773條彈幕，平均每集發送86.66條。

什么概念呢？

一集電視劇時長約42分鐘，也就是說，這位大佬在看劇的同時，仍能保持每分鐘2.06條的發送頻次，還堅持了32集。

到這里大家一定會有質疑，覺得他肯定是刷了大量的“666”、“來了”之類毫無意義的內容來霸榜，所以呢，我把他的輸出內容篩了出來并做成詞云圖：

這，這，這位大佬輸出的內容，不僅緊貼劇情，更是文風多變，時而總結內容，時而嬉笑怒罵，時而感慨人生，時而出口成詩，毫不夸張的說比一般彈幕都要有內涵。

我的膝蓋，開始不聽使喚了......

唯有疾呼“高山（頻）仰止，景行行止”。

誰的彈幕最受青睞（點贊數最多）：

根據每個用戶累計點贊量排序，GET到彈幕點贊TOP10排行榜：

第一名“追劇小奶鵝”平均每集發6條彈幕，每條彈幕竟然能夠得到4585個贊！難道這就是傳說中的精神領袖嗎？難道大佬之外還有大佬嗎？

在看劇的時候經常能夠被他的彈幕刷屏，而且他的彈幕比其他人停留時間更長，顏色更艷麗。經核實，發現第一名，原來是嫡系：

騰訊視頻電視劇彈幕專業陪聊，怪不得這么高的贊。

而第二名，又是我們的大佬“@L”，他憑借高頻、穩定、持續輸出累計獲得21.69萬贊，平均每條彈幕獲贊78.22個。

大佬，請收下我的膝蓋！

3、高贊彈幕有何套路：

A）嫡系部隊：

我們單獨把騰訊的嫡系部隊“追劇小奶鵝”拎出來，是因為他幾乎壟斷了高贊彈幕TOP300，嫡系光環加持，贊或許有虛高的嫌疑，但不妨礙我們單獨分析他內容的套路：

（其實不少小奶鵝的彈幕并沒有其他的精彩，但畢竟是親兒子）他的套路暴力總結起來一句話：對仗工整提大強，感天動地夸明玉。

B）非嫡系部隊：

高贊的（非嫡系）朋友們深得演唱會那句帶節奏名言“現場的朋友們，舉起你們的雙手，讓我看到你們的熱情”的真傳。

“覺得XX說的對點下謝謝”、“給XX點贊！”套路是獲贊的一大法寶，另一法寶就是推動劇情的內容總結了。

3、彈幕視角主人公情感分析

誰是蘇家最受彈幕關注的人兒

要分析誰是蘇家最受彈幕關注的人，必須先根據關鍵詞去甄別和定位到劇中角色。

這里列出了關于蘇家人的簡單詞庫，用來識別彈幕在議論誰。

54.31%的彈幕沒有主觀傾向性，沒有提及具體的蘇家人（可能提及了劇中其他人，這里暫不考慮）。

明玉竟然搶過了大強的寶座，以19.91%的彈幕提及率拔得頭籌，而大強則以16.16%的關注度緊隨其后。

Emmm，無論是劇外熱度還是追劇時彈幕槽點，我都覺得大強應該才是最受關注的??！

作為一個嚴謹的追劇人，我開始排查彈幕，發現了很多戲精在發彈幕時都玩起了角色扮演，他們在發彈幕時，總是先在開頭署名“蘇明玉：”OR其他劇中角色，仿佛在代他們發聲。

清洗完這部分調皮的用戶之后，排名出現了新的變化：

果然，其他除外，大強以15.16%的關注占比領先其他家人一個身位，明玉又把兩個哥哥拉開了一個身位的距離，占比8.82%，明成和明哲關注占比分別是4.84%和4.28%。

PS，明成關注度之所以低，是因為很多彈幕罵人并不會指名道姓：），而明哲嘛，對這個排名表示很失望。

彈幕情感分析

看?。◤椖唬r能夠明顯感覺到觀眾對于明成的態度從最開始的“過街老鼠，人人喊打”到后來的“明成懂事了”。

從數據分析的角度講，明成是否成功洗白？大強最后催淚演繹效果如何？

這里我們調用百度情感分析API，對每一條評價的內容進行情感打分，用情感分值來驗證上述問題（分值在0-1之間，越靠近0負面傾向越強，越接近1則情感越情面）。

調用方法很簡單（只對內容感興趣可以直接略過代碼）：

#先安裝aip包from aip import AipNlp#到后臺配置權限，獲得相關ID和KEY，目前API是免費且不限量的app_id = '輸入實際ID'api_key = '輸入實際KEY'secret_key = '輸入實際SECRET_KEY'client = AipNlp(app_id,api_key,secret_key) #定義函數，以便循環爬取def senti_analy(text):data = client.sentimentClassify(text)sentiment = data['items'][0]['positive_prob']return sentiment for text in df['內容']:try:sentiments.append(senti_analy(text))except:#print(text)sentiments.append('pass') df['情感分值'] = sentimentsbr

打分篩選過后，我們統計出每一集蘇家每個人的平均情感分值，并繪制出曲線圖（4個人導致折線圖可讀性較差，所以只有委屈大哥了）：

大強開局不錯，和明玉持平，但憑借倪老師“作死小能手”的實力詮釋，讓情感分值迅速走低，11集的低點正式印證了大強的“癲瘋之作”，之后分值在0.38左右徘徊。隨著“蔡根花寶貝”梗的出現，“嘲諷”替代了指責，讓分值略微上?。ㄇ楦写蚍謱τ诟呒壓谑匠爸S難以準確判斷）。最后老年癡呆發病后大強對明玉的愛讓分值一舉超過0.5，達到歷史峰值，成功上岸。

明玉是原生家庭的受害者，也是一個靠自己成功的女強人，前期愛恨分明，情感分值一度飆到0.59（超過其他所有角色），18集開始的買房紛爭，網友紛紛表示強烈同情（例：明玉不能像十年前一樣別理他們嗎？情感分值只有0.041），這讓明玉相關的情感分值嚴重走低，隨后彈幕主旋律仍以叫好和同情為主。

明成的情感分值走勢更有意思，開局最低，靠欺負妹妹讓分值迅速降低，可謂“人人喊打”，后面分值的飆升，一度追上明玉，主要是因為明成期望值已經極低，但是他寵老婆的行為得到觀眾認可。中期本色挨罵，降至低谷。27集明成情感分值再次超過0.5，竟然是因為明成想嚇走大強進行的一系列騷操作（尤其是廣場舞）。再后來就是明成幡然悔悟，走上正軌，分值在穩定在0.45左右，也算成功洗白。

看來，開局降期望，中期隨便作，后期催淚逆風翻盤，終究還是會被觀眾接受。