bilibili爬虫+数据分析

bilibili爬虫+数据分析Python爬虫+数据分析+数据可视化实战Python爬虫+数据分析+数据可视化实战1.背景介绍2.需求目标3.基于urllib的bangumi和bilibili一键爬虫脚本的编写3.1bangumi网站分析及爬虫脚本的编写3.1.1网站分析3.1.2代码实现3.2bilibili网站分析及爬虫脚本的编写3.2.1网站分析3.2.2代码实现4.基于pandas的综合数据分析和基于matplotlib的数据可视化4.1导入依赖库4.2数据清洗

Python爬虫+数据分析+数据可视化实战

1. 背景介绍

哔哩哔哩(www.bilibili.com,英文名称:bilibili,简称B站)现为中国年轻世代高度聚集的文化社区和视频平台,该网站于2009年6月26日创建。

B站早期是一个ACG(动画、漫画、游戏)内容创作与分享的视频网站。经过十年多的发展,围绕用户、创作者和内容,构建了一个源源不断产生优质内容的生态系统,B站已经涵盖7000多个兴趣圈层的多元文化社区。
哔哩哔哩作为目前国内最大的动画作品平台,已上线了3000多部来自日本、美国以及国内的动画作品,具有大量的播放、点赞、弹幕、评分等数据可供分析。

bangumi(bangumi番组计划,bangumi.tv)是专注于ACG领域的网站,是国内专业的动画评分网站。该网站可看作动画作品的数据库,拥有万余部动画作品的详细数据,包括集数、播放时间、监督以及评分、评分人数等信息等可供分析。

2. 需求目标

  • 编写一键爬虫脚本获取两个网站的动画作品数据
  • 对两网站的数据进行分析,其中对于评分进行相关性分析
  • 可视化展示数据

3. 基于urllib的bangumi和bilibili一键爬虫脚本的编写

3.1 bangumi网站分析及爬虫脚本的编写

3.1.1 网站分析

首先打开bangumi首页,并登录。登录后刷新页面,并用fiddler抓包,获取请求头:
bilibili爬虫+数据分析
bilibili爬虫+数据分析
打开一个需要爬取的动画作品页面,需要爬取的信息有5部分:

  1. 作品原名与类型
  2. 作品详细信息
  3. 作品简介
  4. 作品tags
  5. 作品评分数据

bilibili爬虫+数据分析
检查源代码,找到各部分对应的标签区块:

  • part1

bilibili爬虫+数据分析

  • part2
    bilibili爬虫+数据分析

  • part3
    bilibili爬虫+数据分析

  • part4
    bilibili爬虫+数据分析

  • part5
    bilibili爬虫+数据分析

获得对应的源代码位置后,便可以用beautifulsoup包对网页html进行解析获取数据了。

目前的问题是如何获取尽量多的作品数据。

根据网页地址,访问某部作品的页面应为bangumi.tv/subject/…(后面的数字称为subject号),所以可以从1开始遍历所有的subject号,这理论上可行,但实际操作中发现了两个问题,一是subject号目前超过20万,全部遍历所需时间太长;二是并不是所有作品都是动画作品,还可能是书籍、音乐、游戏等:

  • 例:漫画
    bilibili爬虫+数据分析

  • 例:专辑
    bilibili爬虫+数据分析

所以必须找到其他方法。注意到bangumi作为评分网站具有排行榜功能:

bilibili爬虫+数据分析

该排行榜收录了所有评分人数达到最低评分人数的动画,默认按照评分从高到低排序。截至2020年6月26日,共有5831部动画在榜。并且榜单分为243页,全部可以直接访问爬取subject号:

bilibili爬虫+数据分析

不需通过ajax请求获取某段排行的数据,这对于爬虫是非常友好的。

考虑到能上榜的作品都具有一定人气,并且只有评分人数达到一定数量评分才更有代表性,所以决定按照排行榜爬取这5800多部动画作品subject号,再访问各自的页面获取详细信息。


3.1.2 代码实现

  1. 模块的导入
import numpy as np
import pandas as pd

from bs4 import BeautifulSoup as bs
import urllib.request as ur
import urllib.parse as up
import urllib.error as ue
import http.cookiejar as hc

import re
import gzip
import json

import time
import os
import socket

os.chdir('...')
socket.setdefaulttimeout(30)

  1. 总榜subject号爬取
# 设置请求头
headers={ 
   
    'Host': 'bangumi.tv',
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'Sec-Fetch-Dest': 'document',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Sec-Fetch-Site': 'none',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-User': '?1',
    'Accept-Encoding': 'gzip',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Cookie': '...(此处略去)...__utmb=1.7.10.1593136256'
}
# 创建cookiejar对象
cj=hc.CookieJar()
# 根据cookiejar创建handler对象
hl=ur.HTTPCookieProcessor(cj)
# 根据handler创建opener对象
opener=ur.build_opener(hl)

# 设定字符匹配模式将subject号匹配
pattern=re.compile(r'li id="item_(\d+)"')
# 储存subject号的列表
subjectlist=[]

# 更新cookie的函数(反爬机制之一)
def update_cookie(cookie=str()):
    return cookie[:cookie.rfind('utmb=')]+cookie[cookie.rfind('utmb='):].split('.')[0]+'.'+str(int(cookie[cookie.rfind('utmb='):].split('.')[1])+1)+'.'+cookie[cookie.rfind('utmb='):].split('.')[2]+'.'+cookie[cookie.rfind('utmb='):].split('.')[3]

# 爬取subject号的函数
def bangumidownload(start,end,subjectlist):
    for i in range(start,end+1):
        url='https://bangumi.tv/anime/browser?sort=rank&page=%d'%(i)# 爬取排行榜每页信息
        print('downloading page',i,end='\r')
        
        try_time=0
        while try_time<=5:
            try:
                r=ur.Request(url=url,headers=headers)
                response=opener.open(r) 
                break
            except Exception as e:
                try_time+=1
                if try_time>1:
                    headers['Cookie']=update_cookie(headers['Cookie'])
                print('retrying with cookie=',headers['Cookie'][headers['Cookie'].rfind('utmb='):],try_time)
        else:
            raise Exception('Download Failed!!')
            
        content=str(gzip.decompress(response.read()),'utf-8')# 解码
        response.close()

        thispage=re.findall(pattern,content)# 找到所有匹配结果
        
        subjectlist.extend(thispage)

bangumidownload(1,243,subjectlist)

# 保存至文件
date=str(time.localtime().tm_mon)+'_'+str(time.localtime().tm_mday)
with open(r'bangumi\subjectlist_'+date+'.json','w') as fp:
    json.dump(subjectlist,fp)
  1. 详细信息爬取
bgmdb=[] #保存数据的列表

picpattern=re.compile(r'href="//(.*?)"') #图片链接匹配模式

def bangumifulldownload(bgmsubjects):
    for i in bgmsubjects:
        url='https://bangumi.tv/subject/'+i
        print('downloading subject '+i)
        
        try_time=0
        while try_time<=5:
            try:
                r=ur.Request(url=url,headers=headers)
                response=opener.open(r,timeout=30) 
                break
            except Exception as e:
                try_time+=1
                if try_time>2:
                    headers['Cookie']=update_cookie(headers['Cookie'])
                print('retrying with cookie=',headers['Cookie'][headers['Cookie'].rfind('utmb='):],try_time)
        else:
            raise Exception('Download Failed!!')
            
        content=str(gzip.decompress(response.read()),'utf-8')
        response.close()

        soup=bs(content)
        mainWrapper=soup.find('div',class_='mainWrapper')
        name=soup.find('h1',class_='nameSingle')
        if mainWrapper==None or name==None:
            continue
        
        infobox=mainWrapper.find('ul',id='infobox')
        if infobox==None:
            continue
        infodict=dict()
        infodict.update({ 
   'subject':i,'原名':name.find('a').text if name.find('a')!=None else '',
                         '类型':name.find('small').text if name.find('small')!=None else ''})
        
        summary=mainWrapper.find('div',id='subject_summary')
        if summary is not None:
            infodict.update({ 
   '简介':summary.text})

        pic=mainWrapper.find('a',class_='thickbox cover')
        if pic is not None:
            pic=re.findall(picpattern,str(pic))
            if len(pic):
                infodict.update({ 
   '封面':'https://'+pic[0]})
        
        info=infobox.find_all('li')
        for each_info in info:
            kv=each_info.text.split(':',maxsplit=1)
            infodict.update({ 
   kv[0].strip():kv[1].strip()})
        
        tagWrapper=mainWrapper.find('div',class_='inner')
        if tagWrapper==None:
            continue
        tagtext=tagWrapper.select('.l span,a small')
        tags=[]
        for everytag in tagtext:
            tags.append(everytag.text)
        tags=' '.join(tags)
        infodict.update({ 
   'tags':tags})
        
        chartWrapper=mainWrapper.find('div',id='ChartWarpper')
        infodict.update({ 
   'votes':chartWrapper.find('span',property='v:votes').text})
        
        rating_list=[]
        for each_rater in chartWrapper.find_all('span',{ 
   'class':'count'}):
            rating_list.append(each_rater.text[1:-1])
        infodict.update({ 
   'ratings':rating_list})
        
        # 计算平均分
        overall_score=0
        overall_vote=0
        for score in range(10,0,-1):
            overall_vote+=int(infodict['ratings'][10-score])
            overall_score+=score*int(infodict['ratings'][10-score])
        overall_score=overall_score/overall_vote
        infodict.update({ 
   'rating':str('%.3f'%(overall_score))})
        
        print(infodict)
        bgmdb.append(infodict)

bangumifulldownload(subjectlist)
# 保存至文件
date=str(time.localtime().tm_mon)+'_'+str(time.localtime().tm_mday)
with open(r'bangumi\bgmdb_'+date+'.json','w') as fp:
    json.dump(bgmdb,fp)
  1. 数据初步清洗
# 读取获得的原始数据
bgmfulldb=pd.read_json(r'bangumi\bgmdb_'+date+'.json')
# 选取非空值数最少的60个键,将键值对复制到新的列表中(进行了初步清洗)
indexs=bgmfulldb[~bgmfulldb.isna()].count().sort_values(ascending=False)[:60].index

bgmdb2=[]
for i in bgmdb:
    thisanime=[]
    
    for each_key in indexs:
        if each_key in i.keys():
            thisanime.append(i[each_key])
        else:
            thisanime.append('')
    
    bgmdb2.append(thisanime)
# 转化成DataFrame格式并转存为csv格式文件
bgmdb2=pd.DataFrame(bgmdb2,columns=indexs)
bgmdb2.to_csv(r'bangumi\bgmdb_'+date+'.csv',index=False)

初步清洗后的数据格式如下:

votes 原名 类型 封面 tags rating ratings 话数 简介 中文名 主题歌作曲 主题歌作词 开始 结束 片长 主题歌编曲 第二原画 音响 特效 机械设定
subject
253 7016 カウボーイビバップ TV https://lain.bgm.tv/pic/cover/l/c2/4c/253_t3XW… 渡边信一郎 2293 菅野洋子 2196 星际牛仔 1529 经典 1139 SUNRISE… 9.143 [‘3325’, ‘2252’, ‘977’, ‘287’, ’88’, ’37’, ‘9’… 26 2021年,随着超光速航行技术的实现,人类得以在太阳系范围内方便的自由移动,但… 星际牛仔 菅野よう子 NaN NaN NaN NaN 菅野よう子 NaN NaN 長谷川敏生 山根公利
326 3968 攻殻機動隊 S.A.C. 2nd GIG TV https://lain.bgm.tv/pic/cover/l/a6/66/326_M9f1… 菅野洋子 957 攻殻機動隊 871 神山健治 762 攻壳机动队 668 科幻 619 押… 9.129 [‘1773’, ‘1359’, ‘623’, ‘129’, ’44’, ’12’, ‘3’… 26 这个世界距离我们并不遥远,你把它看作是现代社会的镜子亦为不可。\r\n也许:无论人类怎样发展… 攻壳机动队 S.A.C. 2nd GIG 菅野よう子 Origa NaN NaN NaN 菅野よう子 NaN NaN 村上正博 常木志伸、寺岡賢司
324 4896 攻殻機動隊 STAND ALONE COMPLEX TV https://lain.bgm.tv/pic/cover/l/f2/fc/324_psuX… 攻壳机动队 1606 菅野洋子 1215 科幻 926 神山健治 852 士郎正宗 775 … 9.081 [‘2036’, ‘1780’, ‘790’, ‘172’, ’61’, ’26’, ‘5’… 26 公元2030的世界,改造人、生化人、机器人等等的存在已经非常普及。主人公草薙素子正是人类最高… 攻壳机动队 STAND ALONE COMPLEX 菅野よう子 Origa NaN NaN NaN 菅野よう子 NaN NaN 遠藤誠、村上正博 寺岡賢司、常木志伸

3.2 bilibili网站分析及爬虫脚本的编写

3.2.1 网站分析

bilibili的动画作品分处于番剧(国外作品)区与国创(国内作品)区,故主要对这两个区进行分析。

bilibili爬虫+数据分析

进入番剧区后,点击“番剧索引”,可以发现与bangumi类似的页面,在这个页面同样可以获取到所有上线的国外动画作品(国创区同理):

bilibili爬虫+数据分析

每个作品对应一个链接: https://www.bilibili.com/bangumi/play/ss...(ss后面的数字称为ss号

bilibili爬虫+数据分析

打开其中一个作品,进入播放页面,在这个页面上可以看到播放量、弹幕数、追番人数、作品类型、完结情况、集数、简介、评分与评分人数等信息:

bilibili爬虫+数据分析

对该网页进行抓包,尝试获取以上信息:

bilibili爬虫+数据分析

可以发现,响应中有一些信息,但是缺少播放数、弹幕数等信息,说明网页不是一次性加载出来的。在抓包界面可以看到很多data.bilibili.com的请求,估计是获取更多的页面数据,比如视频源信息等。
在所有抓包结果中搜索弹幕数1126,找到了对应的api接口:api.bilibili.com/pgc/web/season/stat?season_id=…,该接口返回一个json格式字符串,存有精确的播放量、弹幕数等信息(但没有评分信息):

bilibili爬虫+数据分析

请求中的season_id即为前述的ss号。
继续搜索评分9.2,发现另一个api:api.bilibili.com /pgc/review/user?media_id=…&ts=…
请求链接中的media_id下称为md号

bilibili爬虫+数据分析

该api提供了详尽的作品信息,包括地区、封面链接、评分、标题、类型,还包含一个ss链接。
由于在初始网页https://www.bilibili.com/bangumi/play/ss...中可以找到md号,故设计以下爬虫流程:

爬取ss号–访问ss页面获取作品简介和md号–根据ss号和md号访问相应的api获取详细信息。

最后,访问该json中的share_url,打开的页面为该作品的介绍界面,包含作品开播日期、完结情况、tags等:

bilibili爬虫+数据分析

找到对应的位置:

bilibili爬虫+数据分析

故可以访问该页面获取tags、日期、话数。

对于bilibili网站,总的爬虫流程设计如下:

从索引页面爬取ss号—访问ss页面获取作品简介和md号—根据ss号和md号访问相应的api获取详细信息—访问md页面获取作品开播日期和话数—爬取封面图。

3.2.2 代码实现

  1. 模块的导入
import numpy as np
import pandas as pd

from bs4 import BeautifulSoup as bs
import urllib.request as ur
import urllib.parse as up
import urllib.error as ue
import http.cookiejar as hc

import re
import gzip
import json

import time
import os
import socket

os.chdir(r'...')
socket.setdefaulttimeout(30)
  1. 配置爬虫条件
# 设置请求头
# api请求头
apiheaders={ 
   
    'Host': 'api.bilibili.com',
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'Accept':' application/json, text/plain, */*',
    'Sec-Fetch-Dest': 'empty',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'Origin': 'https://www.bilibili.com',
    'Sec-Fetch-Site': 'same-site',
    'Sec-Fetch-User': '?1',
    'Sec-Fetch-Mode': 'cors',
    'Sec-Fetch-Dest': 'document',
    'Referer': 'https://www.bilibili.com/anime/index/',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Cookie':cookie
}
# 网页请求头
wwwheaders={ 
   
    'Host': 'www.bilibili.com',
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'Sec-Fetch-Dest': 'document',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9',
    'Sec-Fetch-Site': 'same-origin',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-User': '?1',
    'Referer': 'https://www.bilibili.com/anime/index/',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Cookie':cookie
}
# 图片请求头
imageheaders={ 
   
    'Host': 'i0.hdslb.com',
    'Connection': 'keep-alive',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'Sec-Fetch-Dest': 'image',
    'Accept': 'image/webp,image/apng,image/*,*/*;q=0.8',
    'Sec-Fetch-Site': 'cross-site',
    'Sec-Fetch-Mode': 'no-cors',
    'Referer': 'https://www.bilibili.com/bangumi/media/md1178/?from=search&seid=17806546061422186816',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9'
}
# 创建cookiejar对象
cj=hc.CookieJar()
# 根据cookiejar创建handler对象
hl=ur.HTTPCookieProcessor(cj)
# 根据handler创建opener对象
opener=ur.build_opener(hl)
  1. 爬取ss号
sslist=list()

pattern=re.compile(r'https://www.bilibili.com/bangumi/play/ss\d+')
pattern2=re.compile(r'"title":"(.*?)"')
# 番剧区索引
def ssdownload():
    for i in range(1,1000):
        url='https://api.bilibili.com/pgc/season/index/result?season_version=-1&area=-1&is_finish=-1&copyright=-1&season_status=-1&season_month=-1&year=-1&style_id=-1&order=5&st=1&sort=0&page='+str(i)+'&season_type=1&pagesize=20&type=1'
        print('downloading page='+str(i))
        
        try_time=0
        while try_time<=5:
            try:
                r=ur.Request(url=url,headers=headers)
                response=opener.open(r) 
                break
            except ue.HTTPError as e:
                print('Page Not found...skipped')
                break
            except Exception as e:
                try_time+=1
                print('retrying',try_time)
        else:
            raise Exception('Download Failed!!')
        
        
        try:
            content=str(gzip.decompress(response.read()),'utf-8')
        except Exception as e:
            break
            
        response.close()
        
        titles=re.findall(pattern2,content)
        ssurl=re.findall(pattern,content)
        
        
        for i in range(len(ssurl)):
            sslist.append({ 
   'title':titles[i],'ssurl':ssurl[i]}) 
# 国创区索引
def ssdownload2():
    for i in range(1,1000):
        url='https://api.bilibili.com/pgc/season/index/result?season_version=-1&is_finish=-1&copyright=-1&season_status=-1&year=-1&style_id=-1&order=5&st=4&sort=0&page='+str(i)+'&season_type=4&pagesize=20&type=1'
        print('downloading page='+str(i))
        
        try_time=0
        while try_time<=5:
            try:
                r=ur.Request(url=url,headers=headers)
                response=opener.open(r) 
                break
            except ue.HTTPError as e:
                print('Page Not found...skipped')
                break
            except Exception as e:
                try_time+=1
                print('retrying',try_time)
        else:
            raise Exception('Download Failed!!')
        
        
        try:
            content=str(gzip.decompress(response.read()),'utf-8')
        except Exception as e:
            break
            
        response.close()
        
        titles=re.findall(pattern2,content)
        ssurl=re.findall(pattern,content)
        
        
        for i in range(len(ssurl)):
            sslist.append({ 
   'title':titles[i],'ssurl':ssurl[i]}) 

ssdownload()
ssdownload2()
  1. 访问ss链接获取md号与简介
mdpattern=re.compile('\d+')
mdlist=[]
summary_dict={ 
   }
def mddownload():
    for each_ssurl in sslist:
        print('downloading item='+str(sslist.index(each_ssurl)))
        
        try_time=0
        httperror=False
        while try_time<=5:
            try:
                r=ur.Request(url=each_ssurl['ssurl'],headers=wwwheaders)
                response=opener.open(r) 
                break
            except ue.HTTPError as e:
                httperror=True
                print('Page Not found...skipped')
                break
            except Exception as e:
                try_time+=1
                print('retrying',try_time)
        else:
            raise Exception('Download Failed!!')
        
        if httperror:
            continue
        
        content=str(gzip.decompress(response.read()),'utf-8')
        response.close()
        
        soup=bs(content)
        
        mdlist.append(re.search(mdpattern,str(soup.find('div', id='media_module').find('a'))).group())
        summary_dict.update({ 
   mdlist[-1]:soup.find('span',class_='absolute').text})

mddownload()
mdlist=sorted(mdlist)
  1. 访问api
bilidb=list()
for i in mdlist:
    url='https://api.bilibili.com/pgc/review/user?media_id='+str(i)
    r=ur.Request(url=url,headers=apiheaders)
    response=opener.open(r)
    content=str(response.read(),'utf-8')
    mdjson=json.loads(content)
    
    if 'result' in mdjson.keys():
        if 'media' in mdjson['result'].keys():
            url='https://api.bilibili.com/pgc/web/season/stat?season_id='+str(mdjson['result']['media']['season_id'])
            r=ur.Request(url=url,headers=headers)
            response=opener.open(r)
            content=str(response.read(),'utf-8')
            mdjson2=json.loads(content)
            mdjson['result'].update(mdjson2['result'])
    
    bilidb.append(mdjson['result'] if 'result' in mdjson.keys() else dict())
    print(mdlist.index(i),end='\r')
  1. 访问md页面获取日期、集数、tags
tp_finished=re.compile(r'(\d+)年(\d+)月(\d+)日开播.*(\d+)')
tp_not_finished=re.compile(r'(\d+)年(\d+)月(\d+)日开播')
tp_movie=re.compile(r'(\d+)年(\d+)月(\d+)日上映')
def download():
    for i in range(len(bilidb)):
        print(i,end='\r')
        
        if 'media' not in bilidb[i].keys():
            continue
        url=bilidb[i]['media']['share_url']
        
        try_time=0
        httperror=False
        while try_time<=5:
            try:
                r=ur.Request(url=url,headers=wwwheaders)
                response=opener.open(r) 
                break
            except ue.HTTPError as e:
                httperror=True
                print('Page Not found...skipped')
                break
            except Exception as e:
                try_time+=1
                print('retrying',try_time)
        else:
            raise Exception('Download Failed!!')
        
        if httperror:
            continue
        
        content=str(gzip.decompress(response.read()),'utf-8')
        response.close()
        
        soup=bs(content)
        tags=soup.find('div',class_='media-info-r').find_all('span',{ 
   'class':'media-tag'})
        tags=[each_tag.text for each_tag in tags]
        tags=' '.join(tags) if len(tags) else ''
        time=soup.find('div',class_='media-info-r').find_all('div',{ 
   'class':'media-info-time'})[0]
        
        res=re.search(tp_finished,time.text)
        finished=False
        if res is not None: # finished
            finished=True
            res=res.groups()
            date='-'.join(res[0:3])
            episodes=res[3]
        else:
            res=re.search(tp_not_finished,time.text)
            if res is not None: # not_finished
                res=res.groups()
                date='-'.join(res[0:3])
                episodes=0
            else:
                res=re.search(tp_movie,time.text)
                if res is not None: # a_movie
                    res=res.groups()
                    date='-'.join(res[0:3])
                    episodes=1
                else:
                    date=''
                    episodes=-1
        
        bilidb[i].update({ 
   'tags':tags,'date':date,'episodes':episodes})
        print(i,{ 
   'tags':tags,'date':date,'episodes':episodes})
download()
  1. 数据初步清洗
bilidb2=[]
for i in range(len(bilidb)):
    a=dict()
    if not len(bilidb[i]):
        continue
    a.update({ 
   
            'title':bilidb[i]['media']['title'],
            'type_name':bilidb[i]['media']['type_name'],
            'season_id':bilidb[i]['media']['season_id'],
            'area':bilidb[i]['media']['areas'][0]['name'] if len(bilidb[i]['media']['areas'])>0 else '',
            'media_id':bilidb[i]['media']['media_id'],
            'rating':bilidb[i]['media']['rating']['score'] if 'rating' in bilidb[i]['media'].keys() else 0,
            'raters':bilidb[i]['media']['rating']['count'] if 'rating' in bilidb[i]['media'].keys() else 0,
            'cover':bilidb[i]['media']['cover'],
        
            'follow':bilidb[i]['follow'] if 'follow' in bilidb[i].keys() else 0,
            'series_follow':bilidb[i]['series_follow'] if 'series_follow' in bilidb[i].keys() else 0,
            'views':bilidb[i]['views'] if 'views' in bilidb[i].keys() else 0,
            'coins':bilidb[i]['coins'] if 'coins' in bilidb[i].keys() else 0,
            'danmakus':bilidb[i]['danmakus'] if 'danmakus' in bilidb[i].keys() else 0,
            'tags':bilidb[i]['tags'] if 'tags' in bilidb[i].keys() else '',
            'date':bilidb[i]['date'] if 'date' in bilidb[i].keys() else '',
            'episodes':bilidb[i]['episodes'] if 'episodes' in bilidb[i].keys() else 0
             })
    bilidb2.append(a)
# 添加简介
for each_item in bilidb2:
    summary=summary_dict.get(str(each_item['media_id']))
    each_item.update({ 
   '简介':summary if summary is not None else ''})

date=str(time.localtime().tm_mon)+'_'+str(time.localtime().tm_mday)
with open(r'bilibili\sslist_'+date+'.json','w') as fp:
    json.dump(sslist,fp)
with open(r'bilibili\mdlist_'+date+'.json','w') as fp:
    json.dump(mdlist,fp)
with open(r'bilibili\bilidb_'+date+'.json','w') as fp:
    json.dump(bilidb2,fp)

bilidb3=pd.DataFrame(bilidb2)
bilidb3.to_csv(r'bilibili\bilidb_'+date+'.csv',index=False)

初步清洗后的数据格式如下:

title type_name season_id area media_id rating raters cover follow series_follow views coins danmakus tags date episodes 简介
160 散华礼弥 番剧 710 日本 710 9.4 8016 http://i0.hdslb.com/bfs/bangumi/6dccd70827dd5f… 1124707 1124705 4384323 38564 255295 奇幻 日常 治愈 2012-4-5 4 毫无特色的少年降谷千纮,就读于县立紫阳高校一年级,是个非常喜爱僵尸的人。少女散华礼弥是散华家…
161 恋爱随意链接 番剧 713 日本 713 9.5 9269 http://i0.hdslb.com/bfs/bangumi/8274f1107032a6… 730312 730313 3206322 33427 219865 日常 少女 校园 小说改 2012-7-7 7 故事发生在私立山星高中,这所学校的文化研究部内,八重樫太一、永濑伊织、稻叶姬子、桐山唯、…
162 猫物语(黑) 番剧 723 日本 723 9.7 1926 http://i0.hdslb.com/bfs/bangumi/d24e532a91234b… 433136 433079 811255 4162 12484 奇幻 声控 小说改 神魔 2012-12-31 4 黄金周的第一天,阿良良木历和班长羽川翼一起埋葬了一只被车碾过,没有尾巴的猫。这本应是一件的普…
  1. 封面图下载
def imgdl():
    for i in range(len(bilidb)):
        print(i,end='\r')
        url=bilidb.cover.values[i]
        md=bilidb.media_id.values[i]
        
        try_time=0
        httperror=False
        while try_time<=5:
            try:
                r=ur.Request(url=url,headers=headers)
                response=opener.open(r) 
                break
            except ue.HTTPError as e:
                httperror=True
                print('Page Not found...skipped')
                break
            except Exception as e:
                try_time+=1
                print('retrying',try_time)
        else:
            raise Exception('Download Failed!!')


        content=response.read()
        response.close()
        
        with open('bilibili\\covers\\' + str(md) + '.jpg','wb') as fp:
            fp.write(content)

4. 基于pandas的综合数据分析和基于matplotlib的数据可视化

4.1 导入依赖库

import numpy as np
import pandas as pd
from scipy import stats
import matplotlib.pyplot as plt
import time
import os
from bs4 import BeautifulSoup as bs
import urllib.request as ur
import urllib.parse as up
import urllib.error as ue
import http.cookiejar as hc

import re
import gzip

import json
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei'] #解决符号乱码问题
plt.rcParams['axes.unicode_minus']=False #解决中文乱码问题
os.chdir(r'...')

4.2 数据清洗

4.2.1 日期型数据处理

对于bilibili的日期格式:

bilidb.date
0        2013-1-3
1        2014-7-8
2        2014-7-2
3       2012-10-7
4        2013-7-7
          ...    
3703          NaN
3704          NaN
3705          NaN
3706          NaN
3707          NaN
Name: date, Length: 3708, dtype: object

先将其转换为datetime格式:

bilidb.date=pd.to_datetime(bilidb.date,format='%Y-%m-%d',errors='coerce').copy()
bilidb.date
0      2013-01-03
1      2014-07-08
2      2014-07-02
3      2012-10-07
4      2013-07-07
          ...    
3703          NaT
3704          NaT
3705          NaT
3706          NaT
3707          NaT
Name: date, Length: 3708, dtype: datetime64[ns]

再提取出年份,并转换为int格式,缺失值设为0:

bilidb['year']=bilidb.date.apply(lambda x: x.year)
bilidb.year=bilidb.year.apply(lambda x: 0 if not pd.notna(x) else int(x))
bilidb.year
0       2013
1       2014
2       2014
3       2012
4       2013
        ... 
3703       0
3704       0
3705       0
3706       0
3707       0
Name: date, Length: 3708, dtype: int64

对于bangumi,由于多集动画和单集电影的播出时间分处于放送开始上映年度两个键中,故需将其合并后处理。

放送开始 上映年度
0 1998年10月23日 NaN
1 2004年1月1日 NaN
2 2002年10月1日 NaN
3 2008年10月2日 NaN
4 1995年10月4日 NaN
5 NaN 1995年11月18日
6 NaN 1997年7月19日
7 NaN NaN
8 2009年4月5日 NaN
9 2017年10月14日 NaN
# 新建一列,将上映年度和放送开始看做同一类型
bgmdb['日期']=pd.to_datetime(bgmdb['放送开始'],format='%Y年%m月%d日',errors='coerce')
bgmdb['日期2']=pd.to_datetime(bgmdb['上映年度'],format='%Y年%m月%d日',errors='coerce')
# 合并日期数据
for i in range(len(bgmdb['日期'])):
    if bgmdb['日期'][i] is pd.NaT:
        bgmdb.loc[i,'日期']=bgmdb.loc[i,'日期2']
bgmdb.drop('日期2',axis=1,inplace=True)
# 新增年度数据
bgmdb['年度']=0
for i in range(len(bgmdb)):
    bgmdb.loc[i,'年度']=bgmdb.loc[i,'日期'].year if bgmdb.loc[i,'日期'] is not pd.NaT else 0
    
bgmdb[['放送开始','上映年度','日期','年度']].head(10)
放送开始 上映年度 日期 年度
0 1998年10月23日 NaN 1998-10-23 1998
1 2004年1月1日 NaN 2004-01-01 2004
2 2002年10月1日 NaN 2002-10-01 2002
3 2008年10月2日 NaN 2008-10-02 2008
4 1995年10月4日 NaN 1995-10-04 1995
5 NaN 1995年11月18日 1995-11-18 1995
6 NaN 1997年7月19日 1997-07-19 1997
7 NaN NaN NaT 0
8 2009年4月5日 NaN 2009-04-05 2009
9 2017年10月14日 NaN 2017-10-14 2017

4.2.2 bilibili评分缺失值处理

需要将评分人数不足的作品的评分及评分人数从0改为nan,以便后面进行剔除:

bilidb.rating=bilidb.rating.apply(lambda x: np.nan if x==0 else x)
bilidb.raters=bilidb.raters.apply(lambda x: np.nan if x==0 else x)

4.3 基本描述统计

4.3.1 bilibili评分

  • 平均数、中位数
(len(bilidb.rating),
 bilidb.rating.dropna().describe(),
 bilidb.rating[bilidb.rating==bilidb.rating.mode()[0]].count())
(3708,
 count    2581.00000
 mean        9.12592
 std         1.01527
 min         2.20000
 25%         9.10000
 50%         9.50000
 75%         9.70000
 max         9.90000
 Name: rating, dtype: float64,
 431)

即在3708部作品中,有2581部有评分,且平均分为9.12分,中位数为9.5分(共431部作品)。

  • 频数分布直方图、正态分布曲线
fig=plt.figure(num=100,figsize=(6,4),dpi=200)
ax=fig.gca()

nx=np.arange(2,11,0.1)
ny=normfun(nx,bilidb.rating.dropna().mean(),bilidb.rating.dropna().std())
ax.plot(nx,ny)

ax.hist(x=bilidb.rating.dropna(),bins=20,color='yellow',edgecolor='black',density=True)
ax.set_title('bilibili评分频数分布直方图与正态分布曲线')
ax.text(2.5,0.8,'average=%.4f\nstd=%.4f'%(bilidb.rating.dropna().mean(),bilidb.rating.dropna().std()),fontsize=15)

bilibili爬虫+数据分析

可以看出评分的分布与正态分布相差较大。

  • 票均平均分
(bilidb.raters.dropna().sum(),
 (bilidb.rating.dropna()*bilidb.raters.dropna()).sum()/bilidb.raters.sum())
(14881442.0, 8.987174381353636)

求得总评分数超过1488万,票均评分为8.99分。

4.3.2 bangumi评分

  • 平均数、中位数
bgmdb.rating.describe()
count    5830.000000
mean        6.633856
std         0.880986
min         1.068000
25%         6.127250
50%         6.691500
75%         7.236750
max         9.143000
Name: rating, dtype: float64

即在5830部作品中,平均分为6.63分,中位数为6.69分。

  • 频数分布直方图、正态分布曲线
fig=plt.figure(num=101,figsize=(6,4),dpi=200)
ax=fig.gca()

nx=np.arange(1,10,0.1)
ny=normfun(nx,bgmdb.rating.mean(),bgmdb.rating.std())
ax.plot(nx,ny)

ax.hist(x=bgmdb.rating,bins=32,color='yellow',edgecolor='black',density=True)
ax.set_title('bangumi评分频数分布直方图与正态分布曲线')
ax.text(2.1,0.4,'average=%.4f\nstd=%.4f'%(bgmdb.rating.mean(),bgmdb.rating.std()),fontsize=15)

bilibili爬虫+数据分析

可以看出评分的分布与正态分布相当吻合。

  • 票均平均分
bgmdb.votes.sum(),(bgmdb.rating*bgmdb.votes).sum()/bgmdb.votes.sum()
(4525600, 7.185151881518473)

求得总评分数超过452万,票均评分为7.19分。

4.4 bangumi动画作品数据分析

4.4.1 每个动画公司各年度制作了多少动画

# 生成年度与动画制作公司的数据交叉表
yr_prod=pd.crosstab(index=bgmdb['年度'],columns=bgmdb['动画制作'])
# 获取所有不重复的动画制作公司
studios=bgmdb['动画制作'].dropna().unique()
# 建立字典储存动画公司名称与参与制作的作品数
studio_dict={ 
   }
for each_studio in studios:
    studio_dict.update({ 
   str(each_studio):
                        bgmdb['动画制作'].dropna()[
                            bgmdb['动画制作'].dropna().str.contains(each_studio)
                        ].count()})
# 转化为series格式
studio_dict=pd.Series(studio_dict)
# 选取1974年以后,总制作部数排名前20的动画公司的数据展示
yr_prod.loc[:,studio_dict.sort_values(ascending=False).index.tolist()[:20]][15:]
动画制作 サンライズ J.C.STAFF 東映アニメーション MADHOUSE Production I.G スタジオディーン A-1 Pictures AIC トムス・エンタテインメント ぴえろ BONES シンエイ動画 XEBEC GONZO SHAFT SILVER LINK. 京都アニメーション オー・エル・エム サテライト Brain’s Base
年度
1974 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1975 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1977 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1978 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
1979 1 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0
1980 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1981 2 0 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1982 3 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1983 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0
1984 0 0 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0
1985 2 0 0 1 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1986 0 0 3 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1987 1 0 3 1 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0
1988 3 0 1 0 0 0 0 0 1 2 0 1 0 0 0 0 0 0 0 0
1989 3 0 2 1 0 3 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1990 1 0 3 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1991 2 0 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1992 1 0 3 0 1 0 0 0 0 1 0 2 0 0 0 0 0 0 0 0
1993 1 0 5 0 1 0 0 0 0 1 0 2 0 0 0 0 0 0 0 0
1994 1 0 3 0 0 0 0 0 0 1 0 2 0 0 0 0 0 0 0 0
1995 1 1 4 0 1 0 0 1 2 1 0 3 0 0 1 0 0 1 0 0
1996 2 1 4 0 0 1 0 1 2 2 0 1 2 0 0 0 0 0 0 0
1997 2 2 2 0 0 0 0 3 1 2 0 2 2 0 0 0 0 0 0 0
1998 5 2 2 4 0 1 0 1 1 0 0 1 2 0 0 0 0 1 0 0
1999 5 2 5 5 1 2 0 1 1 1 0 3 1 0 0 0 0 2 0 0
2000 3 2 4 7 1 1 0 1 3 3 1 2 1 0 0 0 0 1 0 0
2001 3 3 5 4 1 3 0 0 1 3 2 3 2 1 0 0 0 2 0 0
2002 6 3 4 5 3 3 0 0 3 3 1 3 0 3 0 0 0 0 0 0
2003 2 6 2 6 1 1 0 1 4 2 4 2 2 2 0 0 1 0 0 0
2004 6 1 2 5 5 3 0 0 1 5 2 2 1 6 1 0 0 1 0 0
2005 5 7 6 4 5 3 0 0 1 3 2 2 3 4 0 0 3 1 2 0
2006 7 5 8 10 4 6 0 0 2 2 3 2 2 5 1 0 2 1 0 1
2007 3 7 5 12 2 4 1 1 1 4 3 3 2 7 4 0 2 0 3 1
2008 4 7 4 11 6 6 5 1 2 2 2 2 4 6 3 0 1 1 2 2
2009 3 6 6 10 8 5 2 3 2 2 2 2 1 3 5 1 6 0 4 0
2010 4 8 4 6 5 3 8 4 3 3 2 2 4 0 4 1 2 1 0 0
2011 4 7 7 7 9 4 6 1 3 2 11 2 3 3 3 2 2 1 2 3
2012 7 9 10 1 9 3 8 6 5 3 2 3 5 1 5 5 4 1 3 3
2013 8 5 7 6 7 6 11 2 5 1 2 2 5 5 3 3 5 3 5 4
2014 9 6 12 5 6 7 13 0 7 5 7 6 4 1 4 4 4 2 3 5
2015 5 6 9 4 10 3 13 0 1 4 5 4 3 1 4 5 4 1 3 3
2016 7 8 10 2 2 9 17 0 3 4 8 3 1 1 4 6 4 4 4 4
2017 8 10 5 4 4 6 13 0 2 5 3 3 4 3 4 9 2 2 2 2
2018 6 11 6 6 4 7 6 0 5 4 8 2 2 7 2 3 4 1 4 1
2019 4 11 3 5 8 2 2 0 3 2 5 2 0 2 1 5 2 3 3 1
2020 1 2 1 0 3 1 2 0 1 0 0 1 0 0 1 2 1 0 0 1

4.4.2 总的动画制作分布

fig=plt.figure(num=104,figsize=(6,4),dpi=200,facecolor='white')
ax=fig.gca()
# 选取制作部数排名前17的动画公司,这些动画公司制作的作品数占总数的36%。
y=studio_dict.sort_values(ascending=False).index.tolist()[:17]
x=studio_dict.sort_values(ascending=False).values.tolist()[:17]
ax.pie(x,labels=y,autopct='%.1f%%',pctdistance=0.5,labeldistance=1.1, \
        startangle=120,radius=1.2,counterclock=False,wedgeprops={ 
   'linewidth':1.5,'edgecolor':'green'}, \
       textprops={ 
   'fontsize':10,'color':'black'})
ax.set_title('动画制作分布(前%.0f%%作品)'%(
    100*studio_dict.sort_values(ascending=False)[:17].sum()/studio_dict.sum()),pad=30)

bilibili爬虫+数据分析

4.4.3 每个动画公司制作的动画部数及平均评分

# 动画公司与其片均评分的数据交叉表
studios_ratings=pd.pivot_table(bgmdb,values='rating',index='动画制作',aggfunc=np.mean,margins=False,dropna=True)
# 动画公司与其制作部数的数据交叉表
studios_counts=pd.pivot_table(bgmdb,values='subject',index='动画制作',aggfunc=len,margins=False,dropna=True)
# 两表合并,按制作部数取前30位
studios_counts_ratings=pd.merge(studios_ratings,studios_counts,on='动画制作').sort_values(
    by=['subject','rating'],ascending=False).head(30)
studios_counts_ratings
rating subject
动画制作
東映アニメーション 6.929124 186
サンライズ 7.106657 178
J.C.STAFF 6.810706 177
MADHOUSE 7.092288 156
Production I.G 7.176925 133
A-1 Pictures 6.776467 122
スタジオディーン 6.799629 116
BONES 7.021640 89
ぴえろ 6.644360 89
シンエイ動画 7.067851 87
トムス・エンタテインメント 6.786667 78
XEBEC 6.789254 67
GONZO 6.536925 67
京都アニメーション 7.367710 62
SHAFT 7.434050 60
SILVER LINK. 6.592797 59
オー・エル・エム 6.902265 49
動画工房 6.658000 48
サテライト 6.435106 47
Brain’s Base 6.703870 46
セブン 6.138848 46
Milky 5.883156 45
AIC 6.785727 44
ZEXCS 6.272095 42
ティーレックス 5.959929 42
アームス 6.402683 41
ラルケ 6.555162 37
diomedéa 6.198838 37
ufotable 7.170139 36
Walt Disney Animation Studios 7.089556 36

选择其中平均评分最高的10个动画公司:

studios_counts_ratings.sort_values(by=['rating'],ascending=False).head(10)
rating subject
动画制作
SHAFT 7.434050 60
京都アニメーション 7.367710 62
Production I.G 7.176925 133
ufotable 7.170139 36
サンライズ 7.106657 178
MADHOUSE 7.092288 156
シンエイ動画 7.067851 87
BONES 7.021640 89
東映アニメーション 6.929124 186
オー・エル・エム 6.902265 49

可以看到,SHAFT、京都动画、Production I.G等动画公司出产的作品平均质量较高,这与许多动画爱好者的观点是一致的。

4.4.4 2000-2019年热门动画作品及趋势分析

  • 各年度代表作(热门作品与高分作品)

热门作品

a=bgmdb[bgmdb.['年度']==2000].sort_values(by='votes',ascending=False).loc[:,'中文名'][:5].values
a.resize(5,1)
for i in range(2001,2020):
    b=bgmdb[bgmdb.['年度']==i].sort_values(by='votes',ascending=False).loc[:,'中文名'][:5].values
    b.resize(5,1)
    a=np.concatenate([a,b],axis=1)
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
热度第1名 犬夜叉 千与千寻 攻壳机动队 STAND ALONE COMPLEX 钢之炼金术师 混沌武士 NaN Code Geass 反叛的鲁路修 CLANNAD NaN 化物语 NaN 魔法少女小圆 冰菓 进击的巨人 白箱 吹响!悠风号 你的名字。 小林家的龙女仆 紫罗兰永恒花园 辉夜大小姐想让我告白~天才们的恋爱头脑战~
热度第2名 名侦探柯南 瞳孔中的暗杀者 棋魂 全金属狂潮 全金属狂潮 校园篇 哈尔的移动城堡 虫师 凉宫春日的忧郁 秒速5厘米 龙与虎 钢之炼金术师 FULLMETAL ALCHEMIST 凉宫春日的消失 命运石之门 刀剑神域 我的青春恋爱物语果然有问题 月刊少女野崎君 一拳超人 Re:从零开始的异世界生活 来自深渊 青春笨蛋少年不做兔女郎学姐的梦 进击的巨人 第三季 Part.2
热度第3名 魔卡少女樱 被封印的卡片 星际牛仔 天国之扉 火影忍者 东京教父 攻壳机动队 S.A.C. 2nd GIG 灼眼的夏娜 死亡笔记 幸运星 Code Geass 反叛的鲁路修R2 轻音少女 无头骑士异闻录 NaN 男子高中生的日常 某科学的超电磁炮S Fate/stay night [Unlimited Blade Works] Fate/stay night [Unlimited Blade Works] 第二季 为美好的世界献上祝福! 情色漫画老师 比宇宙更远的地方 鬼灭之刃
热度第4名 游戏王-怪兽之决斗 名侦探柯南 通往天国的倒数计时 名侦探柯南 贝克街的亡灵 名侦探柯南 迷宫的十字路口 妖精的旋律 搞笑漫画日和 银魂 福音战士新剧场版:序 魔法禁书目录 某科学的超电磁炮 我的妹妹哪有这么可爱! 我们仍未知道那天所看见的花的名字。 中二病也要谈恋爱! 斩服少女 NO GAME NO LIFE 游戏人生 路人女主的养成方法 甲铁城的卡巴内利 少女终末旅行 DARLING in the FRANXX 灵能百分百 第二季
热度第5名 吸血鬼猎人D:妖杀行 热带雨林的爆笑生活 人形电脑天使心 奇诺之旅 攻壳机动队2 无罪 蜂蜜与四叶草 NaN 永生之酒 夏目友人帐 凉宫春日的忧郁 2009 轻音少女 第二季 日常 心理测量者 打工吧!魔王大人 四月是你的谎言 我的青春恋爱物语果然有问题 续 灵能百分百 进击的巨人 第二季 佐贺偶像是传奇 约定的梦幻岛

高分作品

a=bgmdb[bgmdb['年度']==2000].sort_values(by='rating',ascending=False).loc[:,'中文名'][:5].values
a.resize(5,1)
for i in range(2001,2020):
    b=bgmdb[bgmdb['年度']==i].sort_values(by='rating',ascending=False).loc[:,'中文名'][:5].values
    b.resize(5,1)
    a=np.concatenate([a,b],axis=1)
pd.DataFrame(data=a,index=['评分第%d名'%i for i in range(1,6)],columns=range(2000,2020))
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
评分第1名 第一神拳 千与千寻 攻壳机动队 STAND ALONE COMPLEX 百变之星 攻壳机动队 S.A.C. 2nd GIG 虫师 银魂 天元突破 红莲螺岩 NaN 钢之炼金术师 FULLMETAL ALCHEMIST 凉宫春日的消失 银魂’ 银魂’ 延长战 歌牌情缘2 白箱 水星领航员 The AVVENIRE 排球少年 乌野高校 VS 白鸟泽学园高校 3月的狮子 第二季 莉兹与青鸟 进击的巨人 第三季 Part.2
评分第2名 吸血鬼猎人D:妖杀行 星际牛仔 天国之扉 小魔女DoReMi 大合奏 钢之炼金术师 攻壳机动队2 无罪 蜂蜜与四叶草 蜂蜜与四叶草II CLANNAD 水星领航员 第三季 福音战士新剧场版:破 四叠半神话大系 命运石之门 爆漫王。3 剧场版 魔法少女小圆 剧场版 [新篇] 叛逆的物语 虫师 续章 第2期 少女与战车 剧场版 3月的狮子 昭和元禄落语心中 -助六再临篇- 强风吹拂 瑞克和莫蒂 第四季
评分第3名 游戏王-怪兽之决斗 棋魂 十二国记 星空清理者 混沌武士 哆啦A梦 盗梦侦探 福音战士新剧场版:序 攻壳机动队2.0 化物语 Heart Catch 光之美少女! 魔法少女小圆 来自新世界 小马驹G4 第四季 虫师 续章 排球少年 第二季 吹响!悠风号 第二季 来自深渊 比宇宙更远的地方 高分少女 第二季
评分第4名 小魔女DoReMi ♯ 蜡笔小新 呼风唤雨!大人帝国的反击 萩萩公主 东京教父 怪物 水星领航员 死亡笔记 物怪 剧场版 空之境界 第五章 矛盾螺旋 天元突破红莲螺岩 螺岩篇 王牌投手 振臂高挥~夏日大会篇~ 日常 JOJO的奇妙冒险 辉夜姬物语 乒乓 JOJO的奇妙冒险 星尘斗士 埃及篇 昭和元禄落语心中 春宵苦短,少女前进吧! 摇曳露营△ 海盗战记
评分第5名 魔卡少女樱 被封印的卡片 大~集合!小魔女DoReMi 阿滋漫画大王 全金属狂潮 校园篇 飞跃巅峰2! 交响诗篇 攻壳机动队 S.A.C. Solid State Society 永生之酒 Code Geass 反叛的鲁路修R2 剧场版 空之境界 第七章 杀人考察(后) 小马驹G4 第一季 夏目友人帐 参 冰菓 宇宙战舰大和号2199 怪诞小镇 第二季 虫师 续章 铃之雫 你的名字。 终物语(下) JOJO的奇妙冒险 黄金之风 灵能百分百 第二季
  • 各年度动画作品进入排行榜前100的数量
bgmdb_by_year=bgmdb.groupby(by='年度')
def count_rank(x):
    count=0
    for i in x:
        if i<100:
            count+=1
    return count
TOP100_by_year=bgmdb_by_year.bgmrank.apply(count_rank)[-21:-1]
print(TOP100_by_year)

fig = plt.figure(num=112,figsize=(6,4),dpi=200,facecolor='white')
ax = plt.gca() 
ax.plot(TOP100_by_year.index,TOP100_by_year.values)
ax.set(title='各年度TOP100进榜数量',xticks=range(2000,2019,2))
年度
2000    0
2001    3
2002    3
2003    3
2004    4
2005    3
2006    7
2007    4
2008    4
2009    2
2010    3
2011    4
2012    2
2013    2
2014    7
2015    5
2016    1
2017    2
2018    1
2019    1

bilibili爬虫+数据分析

可以看到,在2006年和2014年,优质作品出现井喷现象,但近几年来优质作品减少趋势明显。

  • 各年度动画作品前10名评分走势
TOP10=pd.DataFrame(data=[
    bgmdb[bgmdb['年度']==i].sort_values(
    by='rating',ascending=False).loc[:,'rating'][:10].mean()
    for i in range(2000,2020)
    ],columns=['TOP10均分'],index=range(2000,2020))

TOP10
TOP10均分
2000 7.7456
2001 8.0019
2002 8.0241
2003 8.1159
2004 8.2890
2005 8.1902
2006 8.3470
2007 8.2656
2008 8.3198
2009 8.2012
2010 8.1866
2011 8.3057
2012 8.1612
2013 8.0661
2014 8.3658
2015 8.2285
2016 8.0552
2017 8.1678
2018 8.1140
2019 8.1075
fig = plt.figure(num=111,figsize=(6,4),dpi=200,facecolor='white')
ax = plt.gca() 
ax.plot(TOP10.index,TOP10.values)
ax.set(title='TOP10均分走势',xticks=range(2000,2019,2))

bilibili爬虫+数据分析

4.5 两站动画匹配与数据库的合并

4.5.1 匹配策略

注意到bilibili的搜索功能,可以搜索到对应作品的md号:

bilibili爬虫+数据分析

故采取以下的匹配策略:

  1. 导入bangumi的数据
  2. 按照日文原名和中文名向search.bilibili.com发出查询请求
  3. 从查询结果中提取番剧链接(md号)
  4. 根据名称、年份等信息进行匹配,得到匹配接口(subject-md)

4.5.2 查询脚本

url='https://search.bilibili.com/all?'
pattern=re.compile(r'www.bilibili.com/bangumi/media/md(.*?)/')
interface=dict()

for i in range(0,len(bgmdb)):
    res=[]
    print('item',i,'searching',bgmdb['原名'][i])
    querystring={ 
   'keyword':bgmdb['原名'][i]}
    querystring=up.urlencode(querystring)
    final_url=url+querystring

    try_succeed=False
    while not try_succeed:
        try:
            try_succeed=True
            r=ur.Request(url=final_url,headers=headers)
            response=opener.open(r) 
        except Exception as e:
            try_succeed=False
            time.sleep(1)
            print('URL timeout! retrying...')

    content=str(gzip.decompress(response.read()),'utf-8')
    res.extend(re.findall(pattern,content))
    response.close()
    
    print('item',i,'searching',bgmdb['中文名'][i])
    querystring={ 
   'keyword':bgmdb['中文名'][i]}
    querystring=up.urlencode(querystring)
    final_url=url+querystring

    try_succeed=False
    while not try_succeed:
        try:
            try_succeed=True
            r=ur.Request(url=final_url,headers=headers)
            response=opener.open(r) 
        except Exception as e:
            try_succeed=False
            time.sleep(1)
            print('URL timeout! retrying...')
    
    content=str(gzip.decompress(response.read()),'utf-8')
    res.extend(re.findall(pattern,content))
    response.close()
    
    res=list(set(res))
    interface.update({ 
   bgmdb['subject'][i]:res})
    print({ 
   bgmdb['subject'][i]:res})
    
with open('bangumi\\interfaces\\origin-subject2md.json','w') as fp:
    json.dump(interface,fp)

接口格式:

{ 
   253: ['8023271', '3008', '5383'],
 326: ['1714', '1705', '1565'],
 324: ['1564', '1712', '1705'],
 876: ['1178', '1180'],
 265: ['10352', '10372', '10332', '1635'],
 237: ['1714', '1568', '1566', '28228268'],
 6049: ['10272'],
...}

4.5.3 信息匹配

首先,过滤掉没有搜索结果的键值对:

interface2={ 
   }
for k,v in interface.items():
    if len(v)>0:
        v=[int(i) for i in v if len(i)>0]
        interface2.update({ 
   int(k):v})

然后,将subject号对应的bangumi信息对接,同时将md号对应的bilibili信息对接,生成新的字典

interface3=list()
for k,v in interface2.items():
    bgm=bgmdb.loc[bgmdb.subject==k,['年度','subject','原名','中文名','别名','日期']].values[0]
    
    bili=[bilidb.loc[bilidb.media_id==each_bilimd,['year','media_id','title','date']].values for each_bilimd in v]
    
    bili=[each_bilimd[0] for each_bilimd in bili if len(each_bilimd)]
    interface3.append({ 
   'bgm':bgm,'bili':bili})

interface3
[{ 
   'bgm': array([1998, 253, 'カウボーイビバップ', '星际牛仔', '恶男杰特',
         Timestamp('1998-10-23 00:00:00')], dtype=object),
  'bili': [array([2001, 3008, '星际牛仔 天国之扉', Timestamp('2001-09-01 00:00:00')],
         dtype=object),
   array([1998, 5383, '星际牛仔 SP', Timestamp('1998-10-23 00:00:00')],
         dtype=object)]},
 { 
   'bgm': array([2004, 326, '攻殻機動隊 S.A.C. 2nd GIG', '攻壳机动队 S.A.C. 2nd GIG', nan,
         Timestamp('2004-01-01 00:00:00')], dtype=object),
  'bili': [array([2006, 1714, '攻壳机动队 个别的十一人', Timestamp('2006-01-27 00:00:00')],
         dtype=object),
   array([2006, 1705, '攻壳机动队 S.A.C. Solid State Society',
          Timestamp('2006-09-01 00:00:00')], dtype=object),
   array([2004, 1565, '攻壳机动队 S.A.C. 2nd GIG',
          Timestamp('2004-01-01 00:00:00')], dtype=object)]},
...]

接着,寻找名称和年份相同的作品,存入fullymatched列表:

matched=[]
for searchres in interface3:
    bgm=searchres['bgm']
    bili=searchres['bili']
    for bilimd in bili:
        for bgmname in bgm[2:5]:
            if bilimd[2]==bgmname and bilimd[0]==bgm[0]:
                matched.append({ 
   'subject':bgm[1],'md':bilimd[1]})

import copy
fullymatched=copy.deepcopy(matched)

然后,寻找名称不同但开播日期相同的作品,进行人工匹配,结果保存在manuallymatched中:

matched=[]
for searchres in interface3:
    bgm=searchres['bgm']
    bili=searchres['bili']
    for bilimd in bili:
        if bilimd[2] not in bgm and (bilimd[3] is not pd.NaT and bilimd[3]==bgm[5]):
            matched.append({ 
   'bgm':bgm[:-1],'bili':bilimd[:-1]})
...

最后,将两列表转换成DataFrame格式并合并去重,得到最终匹配结果:

fullymatched=pd.DataFrame(fullymatched)
manuallymatched=pd.DataFrame(manuallymatched)
finalmatch=pd.concat([fullymatched,manuallymatched],axis=0)
finalmatch.drop_duplicates(subset='subject',keep='first',inplace=True)

len(finalmatch),finalmatch.head(5)
(1837,
   subject    md
 0     326  1565
 1     324  1564
 2     876  1178
 3    1428  1089
 4  211567  6445)

最终匹配到了1837部作品。

4.5.4 数据库合并

使用匹配接口,将两个DataFrame合并。首先将接口与bilidb按md号内连接,然后再用bilidb与bgmdb按subject号内连接,并进行一系列调整,最终获得合并后的数据库:

bilidb=pd.merge(left=finalmatch,right=bilidb,left_on='md',right_on='media_id',how='inner')
db=pd.merge(left=bilidb,right=bgmdb,on='subject',how='inner')
db.drop(columns=['md'],inplace=True)
db.rename(columns={ 
   'rating_x':'bilirating','rating_y':'bgmrating'},inplace=True)

db.head(5)
subject title type_name season_id area media_id bilirating raters cover follow 开始 结束 片长 主题歌编曲 第二原画 音响 特效 机械设定 日期 年度
0 326 攻壳机动队 S.A.C. 2nd GIG 番剧 1565 日本 1565 9.8 2045.0 http://i0.hdslb.com/bfs/bangumi/00ee95c464defb… 152857 NaN NaN NaN 菅野よう子 NaN NaN 村上正博 常木志伸、寺岡賢司 2004-01-01 2004
1 324 攻壳机动队 STAND ALONE COMPLEX 番剧 1564 日本 1564 9.8 3511.0 http://i0.hdslb.com/bfs/bangumi/6ebd07ba376115… 516939 NaN NaN NaN 菅野よう子 NaN NaN 遠藤誠、村上正博 寺岡賢司、常木志伸 2002-10-01 2002
2 876 CLANNAD ~AFTER STORY~ 番剧 1178 日本 1178 9.9 42904.0 http://i0.hdslb.com/bfs/bangumi/54003a09e72f0d… 917778 NaN NaN NaN ANANT-GARDE EYES NaN NaN NaN NaN 2008-10-02 2008
3 1428 钢之炼金术师 FULLMETAL ALCHEMIST 番剧 1089 日本 1089 9.9 80126.0 http://i0.hdslb.com/bfs/bangumi/401f84cadca354… 1990896 NaN NaN NaN 大橋卓弥、常田真太郎 関本美穂 テクノサウンド 龍角里美、池上真崇 鈴木雅久 2009-04-05 2009
4 211567 3月的狮子 第二季 番剧 6445 日本 6445 9.8 15230.0 http://i0.hdslb.com/bfs/bangumi/14cf90e4ea9a05… 480677 NaN NaN NaN NaN 谷口工作、吉澤翠 NaN NaN NaN 2017-10-14 2017

4.6 两站评分综合分析

4.6.1 相关性分析与散点图

  • 线性回归
res=stats.linregress(x=db.bgmrating,y=db.bilirating)
res,res.rvalue**2
(LinregressResult(slope=0.8046754433744006, intercept=3.709341364364734, rvalue=0.736131603271121, pvalue=7.026688311545783e-200, stderr=0.02166711159881075),
 0.5418897373345112)

拟合得到bili=0.80bgm+3.70,相关系数为0.74,决定系数为0.54,即两站评分呈现正相关关系,且bilibili分数的变化的一半可用bangumi分数变化来解释。

  • 普通散点图

按原始数据作散点图和趋势线:

fig=plt.figure(num=105,figsize=(8,4),dpi=300,facecolor='white')
ax=fig.gca()
ax.scatter(x=db.bgmrating,y=db.bilirating,color='red',marker='.',s=0.1)
linx=np.arange(2,9,0.1)
liny=res.slope*linx+res.intercept
ax.plot(linx,liny,ls='--',lw=0.5)
ax.set(title='两站评分关系图',xlabel='bangumi',ylabel='bilibili')
ax.text(2,9,'bili=%.4fbgm+%.4f\nR=%.2f'%(res.slope,res.intercept,res.rvalue),fontsize=10)

bilibili爬虫+数据分析

但无论从图上看,还是从相关系数上看,两者的相关性存在,但不是很高。

4.6.2 气泡图、二维频次直方图与三维柱状图

  • 气泡图

由于bangumi的评分精确到小数点后三位,相同评分的作品很少,普通的散点图对分布情况的展示效果不佳。故尝试作气泡图、二维频次直方图与三维柱状图增强数据直观性。

作气泡图首先要将bangumi的评分的分辨率降至0.1分,然后建立数据交叉表:

db['bgmrating_2digit']=db['bgmrating'].copy()
db['bgmrating_2digit']=db['bgmrating_2digit'].apply(lambda x : ((x*10)//1)/10)
bb=pd.crosstab(index=db['bgmrating_2digit'],columns=db['bilirating'])

bb.iloc[20:,40:]
bilirating 8.4 8.5 8.6 8.7 8.8 8.9 9.0 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9
bgmrating_2digit
5.4 1 0 0 0 1 0 0 2 1 1 0 0 0 1 0 0
5.5 1 1 1 2 0 2 2 0 0 1 1 0 1 0 0 0
5.6 1 0 1 2 1 0 0 1 0 0 0 1 0 1 0 0
5.7 2 2 1 1 2 1 2 0 0 2 0 2 1 0 0 0
5.8 0 4 2 1 0 0 2 1 2 1 2 1 1 0 0 0
5.9 0 1 0 2 2 2 2 2 2 2 1 0 0 0 0 0
6.0 1 1 2 2 2 4 2 4 1 6 0 1 1 0 0 0
6.1 1 1 3 2 3 1 3 5 3 2 6 5 1 0 0 0
6.2 0 1 1 5 1 4 7 4 5 5 4 4 5 0 0 0
6.3 1 0 1 0 4 2 5 4 7 3 5 6 5 2 1 0
6.4 0 1 1 0 0 1 7 1 8 2 5 4 4 1 0 0
6.5 0 1 1 2 1 2 1 5 10 7 14 7 4 6 0 0
6.6 0 0 1 1 1 4 3 3 7 11 10 7 13 5 1 0
6.7 0 0 0 0 2 0 0 2 2 5 6 11 13 5 1 0
6.8 0 0 0 0 2 1 1 3 4 3 8 9 4 7 4 0
6.9 1 0 0 0 1 1 0 2 3 3 6 10 3 13 6 0
7.0 0 0 1 0 1 1 0 1 3 5 7 6 13 21 3 0
7.1 0 0 0 0 0 1 0 2 1 4 8 3 10 11 8 1
7.2 1 0 0 0 0 1 0 1 3 5 7 16 13 13 8 0
7.3 0 0 0 1 0 0 1 1 1 2 4 10 10 15 7 1
7.4 0 0 0 1 0 0 0 1 1 2 5 2 12 17 10 0
7.5 0 0 0 0 0 0 0 1 2 0 2 4 10 11 9 0
7.6 0 0 0 0 0 0 1 0 1 2 3 0 5 15 7 2
7.7 0 0 0 0 0 1 0 0 0 0 3 4 2 10 10 0
7.8 0 0 0 0 0 0 0 0 0 1 0 5 3 9 10 2
7.9 0 0 0 0 0 0 0 0 1 0 0 3 1 10 7 3
8.0 0 0 0 0 0 0 0 0 0 2 0 1 0 5 10 1
8.1 0 0 0 0 0 0 0 0 0 0 0 0 1 2 5 0
8.2 0 0 0 0 0 0 0 0 0 0 0 0 2 6 8 2
8.3 0 1 0 0 0 0 0 0 0 0 0 2 1 0 1 1
8.4 0 0 0 0 0 0 0 0 0 0 0 1 0 0 4 0
8.5 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0
8.6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
8.7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
8.8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
9.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
9.1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

接着对每一个点分别作图,实现气泡图的效果:

fig=plt.figure(num=106,figsize=(8,4),dpi=200,facecolor='white')
ax=fig.gca()
for eachbgmrating in bb.index.tolist():
    for eachbilirating in bb.columns.tolist():
        ax.scatter(eachbgmrating,eachbilirating,
                    s=bb.loc[eachbgmrating,eachbilirating]**1.1,
                    marker='.',c='red')
ax.set(title='两站评分关系图',xlabel='bangumi',ylabel='bilibili')

bilibili爬虫+数据分析

  • 二维频次直方图

还可直接使用hist2d函数构造二维频次直方图,附带标尺:

fig=plt.figure(num=107,figsize=(8,4),dpi=200,facecolor='white')
plt.hist2d(db.bgmrating,db.bilirating,bins=50,cmap='Reds')
ax=fig.gca()
ax.set(xlim=(4,9.1),ylim=(7,9.9),title='两站评分二维频次直方图',xlabel='bangumi',ylabel='bilibili')
cb=plt.colorbar()
cb.set_label('counts')

bilibili爬虫+数据分析

  • 三维柱状图

如果画出三维柱状分布图,柱高度代表作品数量,可以更明显地看出b站评分相对于bangumi更为集中,且绝大多数分布在9分以上。

from mpl_toolkits.mplot3d import Axes3D
import matplotlib as mpl
fig = plt.figure(num=108,figsize=(8,4),dpi=300,facecolor='white')
ax=plt.subplot(111,projection='3d')

x = bb.index.to_list() #bilibili评分
x_index=range(len(x))
y = bb.columns.to_list()#该bilibili评分对应的bangumi评分序列
y_index=range(len(y))

for i in x_index:#对于每个bilibili评分
    z = bb.iloc[i,y_index]
    ax.bar(y, z, x[i],zdir='x',width=0.2)#以bangumi评分序列为底轴作图

ax.set(title='三维分布图',xlabel='bangumi',ylabel='bilibili')

bilibili爬虫+数据分析

4.6.3 箱线图

比较两网站的片均评分和中位数,可以看到bangumi两者差距很小,而b站平均分明显小于中位数。

bilibili bangumi
片均评分 9.12592 6.633856
中位数 9.50000 6.691500

平均数小于中位数,意味着存在许多低分作品,且没有与之数量相当的高分作品。
我们可以通过箱线图更直观地展示两站评分的这种差异。

fig=plt.figure(num=102,figsize=(4,3),dpi=200,facecolor='white')
ax=fig.gca()
ax.boxplot(x=[bgmdb.rating,bilidb.rating.dropna()],showmeans=True,meanline=True,sym='.',widths=0.3)
ax.set_xticklabels(['bangumi','bilibili'])
ax.set_ylabel('分数')
ax.set_title('bangumi与bilibili评分箱线图',fontsize=10)

bilibili爬虫+数据分析

可以看到,b站的异常值均出现在下边缘以下,并且数量比bangumi的多。而从直方图上也能看出,b站评分产生严重的拖尾,导致其片均评分明显小于中位数。

4.6.4 两网站评分特征及原因推测

通过bilibili的评分频数分布直方图,可以看到作品评分在高分段扎堆,呈现的趋势基本上是分数越高,作品越多。9.7分就有378部,占到了全部有评分动画的五分之一,严重地丧失了区分度。并且,从箱线图中也能看出b站低评分很多导致片均评分低于中位数。

一般来说,作品评分极高和极低的作品数都应该很少,绝大多数作品评分应当集中在平均值左右(即正态分布)。很显然,b站的评分分布严重偏离了正态分布。

相比于bilibili,bangumi的频数分布直方图呈现出两头低,中间高,左右对称的特点,相应的正态分布曲线与实际分布高度吻合。而且bangumi的分数集中度也较低,在6.6-6.7区间也只有266部动画,占比只有二十分之一多一点。所以至少从统计学规律上说,bangumi这个网站的评分更有参考意义。

与bangumi的对比告诉我们,b站的评分数据存在诸多异常之处。

既然分布很异常,那么b站评分到底代表了什么?产生这种分布的原因是什么?笔者尝试通过数据给出一些合理推断。

  • 相对人气指数

我们需要回来关注另一组数据,那就是片均评分和人均评分。

bilibili bangumi
片均评分 9.211588 6.633856
票均评分 9.062114 7.185152

b站的片均评分高于票均评分,而bangumi的片均评分高于票均评分。

这说明了什么呢?首先我们知道,点评数与热度成正比。那么

  • 当片均高于票均时,意味着高评分动画的评分人数较少,出现了好番不火的情况;
  • 当片均低于票均时,意味着低评分动画的评分人数较少,出现了烂番没人看的情况。

显然,后者更符合常理。

现在,我们用数据说话,用具体数字表达“好番不火”或“烂番没人看”的程度。

好番是要和烂番作对比的,所以我们定义一个函数,称为相对人气指数,在给出百分比累积排名x的情况下,
相对人气指数的定义为:

bilibili爬虫+数据分析

该比值表示好番热度与同等程度的烂番热度之比。

并且,累积排名越高,则表示排名越靠前,而且如果好番和热度成正比,这个相对人气指数应当随累积排名增大而增大,是一个单调递增函数。

我们将相对人气指数对累积排名作图:

# 分别计算两网站的相对人气指数
bgm_ninki=[
    bgmdb[bgmdb.rating>=bgmdb.rating.quantile(i)].votes.mean()/
    bgmdb[bgmdb.rating<=bgmdb.rating.quantile(1-i)].votes.mean()
    for i in np.linspace(0.5,1,51)
]
bili_ninki=[
    bilidb[bilidb.rating>=bilidb.rating.quantile(i)].raters.mean()/
    bilidb[bilidb.rating<=bilidb.rating.quantile(1-i)].raters.mean()
    for i in np.linspace(0.5,1,51)
]

fig=plt.figure(num=109,figsize=(4,3),dpi=200,facecolor='white')
ax=fig.gca()
x=np.linspace(0.5,1,51)
ax.plot(x,bgm_ninki,label='bangumi')
ax.plot(x,bili_ninki,label='bilibili')
ax.set(xlim=(0.5,1),ylim=(0,7),xticks=[0.5,0.6,0.7,0.8,0.9,1],xticklabels=[50,60,70,80,90,100],
    xlabel='百分比排名',title="相对人气指数")
ax.legend()

ax.axhline(y=2.5,c='black',ls='--',lw=0.5)
ax.axhspan(ymin=1,ymax=2.5,facecolor='yellow',alpha=0.2)

bilibili爬虫+数据分析

可以看到,bgm明显出现了好番很火,烂番没人看的情况,而b站的曲线基本徘徊在1-2.5之间,这意味着有与看好番差不多人数的人也看烂番。

总的来说就是b站好番不火的程度比bangumi严重得多。

我们来分析好番不火出现的原因,而刚刚提到对“好”字的理解,我们就来谈一谈好番的评价标准。

评价一部番其实是蛮困难的事情,需要考虑故事情节、人物、画面、音乐、表达的思想内涵等等。

而现在看来,B站小伙伴们对于好番的评价标准可能出现了偏差:

现在有一种观点,认为人们只想看到他们想看到的东西,我想这也适用于评分者们。
这种倾向的一个集中表现就是合自己口味就打高分,不合自己口味就打压。
分数的高低代表自己接受不接受这部作品。
这种模糊片面,且带有强烈主观性的倾向会导致某些剧情或者设定晦涩难懂的作品难以得到多数人理解,遭冷门和打低分的概率增加,
这在高分段尤为明显。很多真正有思想有深度的番在热度和评分上均不敌所谓的季度霸权番。

总的来说就是:
B站的评分中含有更多的“观众接受度”的成分。
其实这种现象很常见。
以钉钉作为例子。
钉钉软件质量不错,能提供强大的团队协作支持,极大地方便了远程办公,
然而由于你知道的原因,广大同学并不接受这个软件,所以惨遭分期付款。

钉钉的评分很明显可以由两部分解释:5分是评软件功能的,而1分则表现接受程度。

下表是2017年以来b站评分9.8分及以上并且播放量超过1000万的作品(由于匹配不完全原因,列表不全),可以看到很多“霸权番”的身影,这些番热度和接受度都很高。

中文名 b站评分 bgm评分 bgm排名 播放量 放送开始
77 辉夜大小姐想让我告白?~天才们的恋爱头脑战~ 9.9 7.966 4.61 117788191 2020年4月11日
150 擅长捉弄的高木同学 第二季 9.9 7.669 10.02 43794382 2019年7月7日
31 强风吹拂 9.9 8.241 1.87 24923712 2018年10月2日
101 妖精森林的小不点 9.9 7.852 6.55 19621709 2018年1月12日
208 鬼灭之刃 9.8 7.515 14.25 475758252 2019年4月6日
39 JOJO的奇妙冒险 黄金之风 9.8 8.106 2.93 288360998 2018年10月5日
105 辉夜大小姐想让我告白~天才们的恋爱头脑战~ 9.8 7.817 7.15 194717353 2019年1月12日
274 刺客伍六七 9.8 7.386 19.04 249105011 2018年4月25日
254 青春笨蛋少年不做兔女郎学姐的梦 9.8 7.416 17.96 139628305 2018年10月3日
187 某科学的超电磁炮T 9.8 7.583 12.13 96256223 2020年1月10日
398 碧蓝之海 9.8 7.205 26.50 66390730 2018年7月13日
174 女高中生的无所事事 9.8 7.606 11.63 48538811 2019年7月5日
159 约定的梦幻岛 9.8 7.654 10.45 49401260 2019年1月10日
60 少女终末旅行 9.8 8.001 4.00 29103828 2017年10月6日
230 Megalo Box 9.8 7.457 16.35 39774790 2018年4月5日
108 宝石之国 9.8 7.809 7.38 56474833 2017年10月7日
488 魔卡少女樱 透明牌篇 9.8 7.043 33.93 51432035 2018年1月7日
203 齐木楠雄的灾难 第二季 9.8 7.518 14.15 81010663 2018年1月16日
29 比宇宙更远的地方 9.8 8.234 1.99 17111562 2018年1月2日
97 月色真美 9.8 7.852 6.55 49090357 2017年4月6日
422 剑网3·侠肝义胆沈剑心 9.8 7.129 30.36 74053515 2018年9月21日
340 街角魔族 9.8 7.282 23.12 25037979 2019年7月11日
121 终将成为你 9.8 7.757 8.23 17766674 2018年10月5日
316 非人哉 9.8 7.336 21.03 266252297 2018年3月29日
394 风灵玉秀 9.8 7.211 26.31 14756338 2017年4月1日
91 少女☆歌剧 Revue Starlight 9.8 7.871 6.14 12244034 2018年7月12日
612 索玛丽与森林之神 9.8 6.818 43.60 14488526 2020年1月9日
335 神推偶像登上武道馆我就死而无憾 9.8 7.298 22.44 10146270 2020年1月10日
376 请吃红小豆吧! 9.8 7.254 24.19 53938485 2018年7月5日
4 3月的狮子 第二季 9.8 8.816 0.19 10668551 2017年10月14日
485 邻家的吸血鬼小妹 9.8 7.037 34.20 20233778 2018年10月5日
206 夏目友人帐 陆 9.8 7.528 13.81 37366405 2017年4月11日

当然,它们在专业评分网站的评分也不会低,在b站拿到评分前100名的番剧,在bangumi平均排前13%,但是相比而言b站评分过于集中,缺乏区分度。

相比而言,在bangumi拿到前100名的番剧,在b站平均只能排在前30%。很多老番在各个方面和新番有的一拼,却没有新番的排面,热度低倒是正常,可是评分都排不上第一梯队。

这不但是好番不火的体现,同时也反映了另一个问题。

  • 不同年份动画平均排名

我们作出两个网站不同年份动画平均排名折线图:

# 增加bili百分比排名和bgm百分比排名列
db['biliprank']=db.bilirating.rank(ascending=False).values
db.biliprank=db.biliprank.apply(lambda x: x/len(db))
db['bgmprank']=db.bgmrating.rank(ascending=False).values
db.bgmprank=db.bgmprank.apply(lambda x: x/len(db))
fig = plt.figure(num=110,figsize=(6,4),dpi=200,facecolor='white')
ax = plt.gca()  
ax.invert_yaxis()# 将y轴反向
db.groupby(by='年度').bgmprank.mean()[22:].plot(label='bangumi')
db.groupby(by='年度').biliprank.mean()[22:].plot(label='bilibili')
ax.axhline(y=0.45,c='red',ls='--',lw=0.3)
ax.axvline(x=2012.3,c='green',ls=':',lw=1)
ax.set(title='两站各年度动画平均评分变化',ylabel='排名',yticks=[0.2,0.3,0.4,0.5,0.6]
    ,yticklabels=['前20%','前30%','前40%','前50%','前60%'],xticks=np.arange(2001,2020,3))
ax.legend()

bilibili爬虫+数据分析

可以提取出两个特征:

  1. 总体来说两站基本趋势相同,说明动画业界衰退态势明显,近十年来作品平均排名在后半部分徘徊;
  2. b站对于2012年之后的动画作品排名始终高于bgm,尤其是近几年的新番排名明显偏高,相对来说,老番的排名则偏低,这充分印证了上文提到的新番压制老番的情况。

就这些情况,推测如下:

作品年龄与其观众的年龄是成正比的

而且是观众年龄越大,评价质量就越高,在一定程度上也就意味这给出5星的概率越低

不同年龄段评价标准的差异影响了新番和旧番评分情况,同时也与好番不火情况有关。

4.6.5 总结

基于上述分析和事实,我总结了B站评分不正常分布产生的原因:

  1. 评分缺乏基本的指导

在bangumi评分时,会从1星到10星分别提示
不忍直视-很差-差-较差-不过不失-还行-推荐-力荐-神作和超神作,并且还会提示评分者谨慎评价。

虽然只有这几个字的建议,但这能够在很大程度上促使评分者谨慎思考。

而回过头看b站的评分环境,除了令人迷惑的“发表五星评价需扣除一枚硬币”之外别无他物。

  1. 评分没有限制

bangumi在评分时首先要点击“看过”才能评分。虽然说这种形式上的限制可能没什么作用,但相比之下,B站作为一个提供视频源的网站,居然不用看番就可以评分,这极大降低了评分的门槛,严重降低了评分的可信度,而且我认为b站对于投五星需扣除1硬币这种操作荒谬至极,如果b站希望通过评分扣硬币这种方式促使点评者谨慎评价,那么应当是投任何分数都需要硬币,而且至少2个。

  1. 评分标准存在问题

首先对于平台来说,评分机制缺乏指导,过于模糊,而对于用户而言,发表的评价质量也不高,往往非常片面,并且用户接受度的影响较大。但是另一方面,由于所有作品的评分和点评都是公开可见的,在评分时固然会受到已有评价的影响。有些人看起来很有主见,实际上很容易被带节奏,改变自己的想法。这一方面表示对一部作品没有自己的理解,没有形成明确的观点,另一方面也是从众心理的体现。

所以我提出两条建议:

  • 对平台而言希望b站能提供基本的评分指导;
  • 对用户来说,希望在评分时能够做到冷静、谨慎。

5 结语

本文从爬虫入手,爬取bilibili和bangumi网站的动画作品数据,对动画作品进行了一些数据分析,了解了近年来动画行业的发展趋势,并且通过分析b站评分数据并将其与专业评分网站bangumi比较,发现

  • 与专业评分网站相比,b站评分的参考作用存在但有限

  • b站评分分布异常,区分度不大,佳作被埋没

  • 点评者们对评分标准把握出现偏差,过度追捧新番

  • b站评分机制不完善,缺乏限制和指导

出于时间和能力原因,很多分析并不全面,甚至可能导致结论错误。接下来的工作便是优化代码,并对数据进行更深入的分析。

今天的文章bilibili爬虫+数据分析分享到此就结束了,感谢您的阅读,如果确实帮到您,您可以动动手指转发给其他人。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/32503.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注