Python爬取394452條《都挺好》彈幕數據，發現彈幕比劇還精彩？

狂野男孩大強下線的第三天，想他，想他，想他……

圖源《都挺好》官微

作者 | 周志鵬

責編 | 仲培藝

最近《都挺好》真的挺火。

火到什麼程度？微博熱搜霸榜，辦公室評彈聲四起，大強輕鬆攻佔表情包，甚至連 N 年不追劇的「瘦宅」們也開始沉迷其中，大呼真香。

圖源微博畫手@馬里奧小黃

劇很精彩，但追劇界有句俗話說得好：「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 格式動態載入的，而且載入得非常有規律，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 的間隔爬取），來挖一挖彈幕這個寶藏。

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，由於這部分用戶佔比很小（僅 0.61%），所以我們直接暴力除去這部分雜訊。

清洗之後，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麼樣分布的：

顯而易見，大部分用戶還是比較佛系的，71607 位用戶（佔比 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 條及以內的用戶數佔比達到了 83.73%，他們累計貢獻了 133331 條彈幕，佔到彈幕總數的 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，二八法則在這裡更像是二七法則（20% 的用戶貢獻了 70% 的內容）。

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」，那麼從彈幕的角度來看，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)

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」的用戶獨佔鰲頭，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。

什麼概念呢？

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。

到這裡大家一定會有質疑，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，所以我把他的輸出內容篩了出來並做成詞雲圖：

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，毫不誇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，怪不得這麼高的贊。

而第二名，又是我們的大佬「@L」，他憑藉高頻、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！

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並沒有其他的精彩，但畢竟是親兒子）：

暴力總結起來就一句話：對仗工整提大強，感天動地誇明玉。

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 說得對點下謝謝」、「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。

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。

這裡列出了關於蘇家人的簡單詞庫，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，這裡暫不考慮）。

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% 的關注度緊隨其後。

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啊！

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，彷彿在代他們發聲。

清洗完這部分調皮的用戶之後，排名出現了新的變化：

果然，其他除外，大強以 15.16% 的關注佔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，佔比 8.82%，明成和明哲關注佔比分別是 4.84% 和 4.28%。

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

彈幕情感分析

看劇（彈幕）時能夠明顯感覺到觀眾對於明成的態度從最開始的「過街老鼠，人人喊打」到後來的「明成懂事了」。

從數據分析的角度講，明成是否成功洗白？大強最後催淚演繹效果如何？

這裡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：

#先安裝aip包
from aip import AipNlp
#到後台配置許可權，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"] = sentiments

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

1. 大強開局不錯，和明玉持平，但憑藉倪老師「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」，之後分值在 0.38 左右徘徊。隨著「蔡根花寶貝」梗的出現，「嘲諷」替代了指責，讓分值略微上浮（情感打分對於高級黑式嘲諷難以準確判斷）。最後老年痴呆發病後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。

2. 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，隨後彈幕主旋律仍以叫好和同情為主。

3. 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」，後面則分值飆升，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）。再後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，後期催淚逆風翻盤，終究還是會被觀眾接受。

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「數據不吹牛」，定期更新數據分析相關技巧和有趣案例（含實戰數據集），歡迎大家關注交流。聲明：本文為作者投稿，版權歸其所有。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！