Python爬取394452条《都挺好》弹幕数据，发现弹幕比剧还精彩？

作者 | 周志鹏，2年数据分析，深切感受到数据分析的有趣和学习过程中缺少案例的无奈，遂新开公众号「数据不吹牛」，定期更新数据分析相关技巧和有趣案例（含实战数据集）。

最近《都挺好》真的挺火。

火到什么程度？微博热搜霸榜，办公室评弹声四起，大强轻松攻占表情包，甚至连N年不追剧的瘦宅们也开始沉迷其中，大呼真香。

图片来源《都挺好》官微

剧很精彩，但追剧界有句俗话说的好：“弹幕往往比剧更精彩”，为了让精彩延续下去，我终究没能忍住对（腾讯视频）弹幕下手。

经过一番折腾，发现弹幕是JSON格式动态加载的，而且加载的非常有规律，30秒一发（80-100条），多出的会隐藏。共计爬取了394452条弹幕（雨露均沾，每集平均8575条，每30S的间隔爬取），来挖一挖弹幕这个宝藏。

1、弹幕基本盘概览

爬到的源数据是酱紫的：

发现有部分用户名是缺失的，由于这部分用户占比很小（仅0.61%），所以我们直接暴力的除去这部分噪声。

清洗之后，还剩下117484个用户发送的392051条弹幕，人均发送弹幕量3.34条。

再看看每个人发送弹幕数是怎么样分布的：

显而易见，大部分用户还是比较佛系的，71607位用户（占比60.95%）在46集中只发送过1条弹幕，他们内心严格遵循“爱就一个字，我只发一次”的弹幕发送准则。

发送条数在3条及以内的用户数占比达到了83.73%，他们累计贡献了133331条弹幕，占到弹幕总数的34.01%，反过来看，剩下16.27%的用户贡献了弹幕量的65.99%。从这个角度来看，二八法则在这里更像是二七法则（20%的用户贡献了70%的内容）。

2、是谁在疯狂发射弹幕，而弹幕又爱上了谁

弹幕发送量TOP10榜单：

我们都知道明成是“行走的造粪机”，那么从弹幕的角度来看，谁是“行走的弹幕发射机”呢？

为此，我们筛选出累计发送弹幕TOP10的用户：

微微一操作（爬取、清洗和分析都使用PYTHON）

danmu_counts = df.groupby('用户名')['评论id'].count().sort_values(ascending= False).reset_index()danmu_counts.columns = ['用户名','累计发送弹幕数']danmu_counts.head(10)br

Emmm,上一步我们知道平均每个人在整部剧会发送3.34条弹幕，而弹幕发送排行榜前十的旁友们发送量都是过千级别的，我们再加上这个用户弹幕发送涉及到的集数，进一步看看平均每集发送弹幕数。为了更直观一些，可视化之：

一位名叫"@L"的用户独占鳌头，是毋庸置疑的C位输出。在46集的电视剧中，他的弹幕血洗了32集，累计发射2773条弹幕，平均每集发送86.66条。

什么概念呢？

一集电视剧时长约42分钟，也就是说，这位大佬在看剧的同时，仍能保持每分钟2.06条的发送频次，还坚持了32集。

到这里大家一定会有质疑，觉得他肯定是刷了大量的“666”、“来了”之类毫无意义的内容来霸榜，所以呢，我把他的输出内容筛了出来并做成词云图：

这，这，这位大佬输出的内容，不仅紧贴剧情，更是文风多变，时而总结内容，时而嬉笑怒骂，时而感慨人生，时而出口成诗，毫不夸张的说比一般弹幕都要有内涵。

我的膝盖，开始不听使唤了......

唯有疾呼“高山（频）仰止，景行行止”。

谁的弹幕最受青睐（点赞数最多）：

根据每个用户累计点赞量排序，GET到弹幕点赞TOP10排行榜：

第一名“追剧小奶鹅”平均每集发6条弹幕，每条弹幕竟然能够得到4585个赞！难道这就是传说中的精神领袖吗？难道大佬之外还有大佬吗？

在看剧的时候经常能够被他的弹幕刷屏，而且他的弹幕比其他人停留时间更长，颜色更艳丽。经核实，发现第一名，原来是嫡系：

腾讯视频电视剧弹幕专业陪聊，怪不得这么高的赞。

而第二名，又是我们的大佬“@L”，他凭借高频、稳定、持续输出累计获得21.69万赞，平均每条弹幕获赞78.22个。

大佬，请收下我的膝盖！

3、高赞弹幕有何套路：

A）嫡系部队：

我们单独把腾讯的嫡系部队“追剧小奶鹅”拎出来，是因为他几乎垄断了高赞弹幕TOP300，嫡系光环加持，赞或许有虚高的嫌疑，但不妨碍我们单独分析他内容的套路：

（其实不少小奶鹅的弹幕并没有其他的精彩，但毕竟是亲儿子）他的套路暴力总结起来一句话：对仗工整提大强，感天动地夸明玉。

B）非嫡系部队：

高赞的（非嫡系）朋友们深得演唱会那句带节奏名言“现场的朋友们，举起你们的双手，让我看到你们的热情”的真传。

“觉得XX说的对点下谢谢”、“给XX点赞！”套路是获赞的一大法宝，另一法宝就是推动剧情的内容总结了。

3、弹幕视角主人公情感分析

谁是苏家最受弹幕关注的人儿

要分析谁是苏家最受弹幕关注的人，必须先根据关键词去甄别和定位到剧中角色。

这里列出了关于苏家人的简单词库，用来识别弹幕在议论谁。

54.31%的弹幕没有主观倾向性，没有提及具体的苏家人（可能提及了剧中其他人，这里暂不考虑）。

明玉竟然抢过了大强的宝座，以19.91%的弹幕提及率拔得头筹，而大强则以16.16%的关注度紧随其后。

Emmm，无论是剧外热度还是追剧时弹幕槽点，我都觉得大强应该才是最受关注的啊！

作为一个严谨的追剧人，我开始排查弹幕，发现了很多戏精在发弹幕时都玩起了角色扮演，他们在发弹幕时，总是先在开头署名“苏明玉：”OR其他剧中角色，仿佛在代他们发声。

清洗完这部分调皮的用户之后，排名出现了新的变化：

果然，其他除外，大强以15.16%的关注占比领先其他家人一个身位，明玉又把两个哥哥拉开了一个身位的距离，占比8.82%，明成和明哲关注占比分别是4.84%和4.28%。

PS，明成关注度之所以低，是因为很多弹幕骂人并不会指名道姓：），而明哲嘛，对这个排名表示很失望。

弹幕情感分析

看剧（弹幕）时能够明显感觉到观众对于明成的态度从最开始的“过街老鼠，人人喊打”到后来的“明成懂事了”。

从数据分析的角度讲，明成是否成功洗白？大强最后催泪演绎效果如何？

这里我们调用百度情感分析API，对每一条评价的内容进行情感打分，用情感分值来验证上述问题（分值在0-1之间，越靠近0负面倾向越强，越接近1则情感越情面）。

调用方法很简单（只对内容感兴趣可以直接略过代码）：

#先安装aip包from aip import AipNlp#到后台配置权限，获得相关ID和KEY，目前API是免费且不限量的app_id = '输入实际ID'api_key = '输入实际KEY'secret_key = '输入实际SECRET_KEY'client = AipNlp(app_id,api_key,secret_key) #定义函数，以便循环爬取def senti_analy(text):data = client.sentimentClassify(text)sentiment = data['items'][0]['positive_prob']return sentiment for text in df['内容']:try:sentiments.append(senti_analy(text))except:#print(text)sentiments.append('pass') df['情感分值'] = sentimentsbr

打分筛选过后，我们统计出每一集苏家每个人的平均情感分值，并绘制出曲线图（4个人导致折线图可读性较差，所以只有委屈大哥了）：

大强开局不错，和明玉持平，但凭借倪老师“作死小能手”的实力诠释，让情感分值迅速走低，11集的低点正式印证了大强的“癫疯之作”，之后分值在0.38左右徘徊。随着“蔡根花宝贝”梗的出现，“嘲讽”替代了指责，让分值略微上浮（情感打分对于高级黑式嘲讽难以准确判断）。最后老年痴呆发病后大强对明玉的爱让分值一举超过0.5，达到历史峰值，成功上岸。

明玉是原生家庭的受害者，也是一个靠自己成功的女强人，前期爱恨分明，情感分值一度飙到0.59（超过其他所有角色），18集开始的买房纷争，网友纷纷表示强烈同情（例：明玉不能像十年前一样别理他们吗？情感分值只有0.041），这让明玉相关的情感分值严重走低，随后弹幕主旋律仍以叫好和同情为主。

明成的情感分值走势更有意思，开局最低，靠欺负妹妹让分值迅速降低，可谓“人人喊打”，后面分值的飙升，一度追上明玉，主要是因为明成期望值已经极低，但是他宠老婆的行为得到观众认可。中期本色挨骂，降至低谷。27集明成情感分值再次超过0.5，竟然是因为明成想吓走大强进行的一系列骚操作（尤其是广场舞）。再后来就是明成幡然悔悟，走上正轨，分值在稳定在0.45左右，也算成功洗白。

看来，开局降期望，中期随便作，后期催泪逆风翻盘，终究还是会被观众接受。