赵本山：我的时代还没有结束 | Python告诉你

2019 年 2 月 9 日 AI100

作者 | 丁彦军

来源 | 恋习Python（ID: sldata2017）

【AI科技大本营按】今年春晚的小品好看吗？没有了赵本山的春晚总觉得少了点什么，然而许久不登春晚舞台的本山大叔借着B站的东风证明了「你大爷还是你大爷」。

最近很多人被“改革春风吹满地，中国人民真争气”魔性的旋律所洗脑，实际上这段魔性的旋律来自于鬼畜神曲《念诗之王》，而这段神曲就是根据本山大叔的作品所剪辑的。目前《念诗之王》在B站播放量已经接近3000万！今天我们就来用Python分析下《念诗之王》火起来的原因。

1990年本山老师首次登上中央电视台春节联欢晚会舞台，在春晚舞台给我们留下很多深入人心的作品如《相亲》，《我想有个家》，《昨天今天明天》，到2011年最后一次在春晚舞台表演小品，，22个年头陪我们度过了21个大年夜，每次都期待大叔的压轴出场伴随着零点的钟声一起跨年。

20年里本山老师的影响力是毋庸置疑的，但是小平不是单口相声更不是独角戏，他的成功也是离不开搭档的配合，大家最熟悉的搭档应该是范伟何高秀敏。三个人作为黄金搭档也是演绎了许多经典作品比如《卖拐》，《买车》，《功夫》等。

除了范伟和高秀敏，最令人印象深刻的搭档就是宋丹丹了，虽然合作的不是特别多但是二人合作的《昨天今天明天》和《小崔说事》太深入人心，白云黑土成了大家最喜爱的大叔大妈但宋丹丹多次说过上春晚太累，短期应该不会在合作了吧。

最近你有没有被“改革春风吹满地，中国人民真争气”魔性的旋律所洗脑？这段视频一经发布，就迅速攻占“快手”“抖音”等各大短视频平台，近日临近春节，仿佛又开始爆发，俨然已经从2018年末火到了2019年初。

恐怕连赵本山本人也不敢相信，自己这么多年演的小品，被人剪辑改变成鬼畜神曲《念诗之王》后，这些经典台词焕发了第二春。《念诗之王》在B站播放量高达2400万，本山大叔，即便已经七八年没上春晚了，依然是毋庸置疑的高人气IP！

接下来，恋习Python通过Python大法通过获取B站：【春晚鬼畜】赵本山：我就是念诗之王！（https://www.bilibili.com/video/av19390801/）4万条数据评论，与大家一起看看其背后火起来的原因。

还是老规矩，老套路（是不是有股熟悉的味道），恋习Python常用的三部曲：数据获取、数据清洗预览、数据分析可视化。

一、数据获取

在获取视频评论之前，我们首要做的就是分析其网页结构，寻找目标数据（也就是我们要的评论数据在哪里，这点很重要）

最终发现，目标数据的url链接为：

https://api.bilibili.com/x/v2/reply?&type=1&oid=19390801&pn=1

由上图可看出，其评论数据是以json数据形式存在于网页端的，可看出一共有1946页评论，每页评论20条，总评论63579条（楼层下面存在评论）。今天恋习Python与大家一起主要是爬取楼层评论，共1940*20=38920条。

接下来，就爬取思路很明确，从一个JSON文件开始，爬完20条评论，更改路径后获取第二个JSON文件，以此类推，直到爬完所有的评论数据。

我们主要爬取的数据信息有8个维度，如下：

详细代码：

import requests
from fake_useragent import UserAgent
import json
import time
import pandas as pd

#下载网页评论数据
def get_page_json(url):
    try:
        ua = UserAgent(verify_ssl=False)
        headers = {"User-Agent": ua.random}
        json_comment = requests.get(url,headers=headers).text
        return json_comment
    except:
        return None

#解析网页评论数据
def parse_page_json(json_comment):
   try:
       comments = json.loads(json_comment)
   except:
       return "error"

   comments_list = []
   #获取当页数据有多少条评论（一般情况下为20条）
   num = len(comments['data']['replies'])

   for i in range(num):
       comment = comments['data']['replies'][i]
       comment_list = []
       floor = comment['floor']
       ctime = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(comment['ctime']))#时间转换
       likes = comment['like']
       author = comment['member']['uname']
       sex = comment['member']['sex']
       level = comment['member']['level_info']['current_level']
       content = comment['content']['message'].replace('\n','')#将评论内容中的换行符去掉
       #print(content)
       rcount = comment['rcount']
       comment_list.append(floor)
       comment_list.append(ctime)
       comment_list.append(likes)
       comment_list.append(author)
       comment_list.append(sex)
       comment_list.append(level)
       comment_list.append(content)
       comment_list.append(rcount)

       comments_list.append(comment_list)

   save_to_csv(comments_list)


def save_to_csv(comments_list):
    data = pd.DataFrame(comments_list)
    #注意存储文件的编码为utf_8_sig，不然会乱码，后期会单独深入讲讲为何为这样（如果为utf-8）
    data.to_csv('春晚鬼畜_1.csv', mode='a', index=False, sep=',', header=False,encoding='utf_8_sig')


def main():
    base_url = "https://api.bilibili.com/x/v2/reply?&type=1&oid=19390801&pn=1"
    #通过首页获取评论总页数
    pages = int(json.loads(get_page_json(base_url))['data']['page']['count'])//20
    for page in range(pages):
        url = "https://api.bilibili.com/x/v2/reply?&type=1&oid=19390801&pn="+str(page)
        json_comment = get_page_json(url)
        parse_page_json(json_comment)
        print("正在保存第%d页" % int(page+1))

        if page%20 == 0:
            time.sleep(5)

main()

其中主要涉及到两个知识点：

1、通过fake_useragent生成随机UserAgent

不管是做开发还是做过网站的朋友们，应该对于User Agent一点都不陌生，User Agent 中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。

通过UA来判断不同的设备或者浏览器是开发者最常用的方式方法，这个也是对于Python反爬的一种策略，但是有盾就有矛啊---我的矛就是让抓取行为和用户访问网站的真实行为尽量一致。

忽略ssl验证：
ua = UserAgent(verify_ssl=False)

2、Chrome控制台中Network的Preview的正确用法

Response：

Preview：

一般情况下我们看Network里面的Preview和Response的结果似乎一模一样。不管是请求页面，请求页面还是请求js还是请求css，二者的结果都一样。直到今天从服务器端向web前端发送一段json格式的数据，才发现Preview的特殊功效。在Preview(预览功能)中，控制台会把发送过来的json数据自动转换成javascript的对象格式。而且可以层层展开，方便前端工程师遍历调用（特别是在多维的情况下），也方便我们Python爬虫工程师解析JSON数据。

二、数据清洗预览

由于我们在解析数据时已经将数据处理过，因此下载存为的数据已经干净，没有杂乱信息。恋习Python从中整理出Top10评论：