動漫《工作細(xì)胞》最終話已經(jīng)更新完畢，這部動漫在 b 站上評分高達(dá) 9.7。除了口碑之外，熱度也居高不下，更值得關(guān)注的是連很多平時不關(guān)注動漫的小伙伴也加入了追番大軍。這次我們的目標(biāo)是爬取 b 站上的所有短評進(jìn)行分析，用數(shù)據(jù)說明為什么這部動漫會如此受歡迎。

一、工作細(xì)胞

《工作細(xì)胞》改編自清水茜老師的同名漫畫，由 David Production 制作。眾所周知，日本 ACG 作品向來信奉著“萬物皆可萌”的原則。前有《黑塔利亞》，后有《艦隊Collection》和《獸娘動物園》，分別講述了將國家，戰(zhàn)艦和動物擬人化后的故事。而在《工作細(xì)胞》里擬人的對象則輪到了我們的細(xì)胞。

這是一個發(fā)生在人體內(nèi)的故事：人的細(xì)胞數(shù)量，約為37兆2千億個。其中包括了我們的女主角：一個副業(yè)是運(yùn)輸氧氣，主業(yè)是迷路的紅血球。

男主角：一個作者懶得涂色但武力值 max 的白血球。兩人一見面就并肩戰(zhàn)斗，分別的時候更是滿天粉紅氣泡。

雖然嘴上說著：不會，我只是千千萬萬個白細(xì)胞中的一員。身體卻很誠實(shí)，從第一集偶遇女主到最后一集，每一集都充滿了狗糧的味道。37兆分之一的緣分果然妙不可言。

除了男女主角，配角們的人氣也都很高。連反派 boss 癌細(xì)胞都有人喜歡，主要還是因?yàn)樯硎栏腥?臉長得好。當(dāng)然人氣最！最！最！高的還是我們奶聲奶氣的血小板。

據(jù)宅男們反映：“看了這么多番。只有這一部的老婆是大家真正擁有的?！辈粌H有，還有很多。除了新穎的科普形式，這部番令人感觸最深的是：我們每一個人都不是孤獨(dú)的個體，有37兆個只屬于我們的細(xì)胞和我們一同工作不息。每當(dāng)頹唐和失意的時候，為了那些為了保護(hù)你而戰(zhàn)斗不止的免疫細(xì)胞，為了萌萌的老婆們也要振作起來啊。

《工作細(xì)胞》的成功并不是一個偶然，而是眾多因素共同作用的結(jié)果。下面從數(shù)據(jù)的角度分析它成為今年7月播放冠軍的原因。

謝謝宇哥對這部分的貢獻(xiàn)，顯然超出我的能力范圍！

二、爬蟲

首先要做的是爬取 b 站的所有短評，包括評論用戶名、評論時間、星級（評分）、評論內(nèi)容、點(diǎn)贊數(shù)等內(nèi)容，本部分內(nèi)容為爬蟲代碼的說明，不感興趣的讀者可以直接跳過，閱讀下一部分的分析。

爬的過程寫了很久，b站短評不需要登陸直接就可以爬，剛開始用類似之前爬豆瓣的方法，用 Selenium+xpath 定位爬

但 b 站短評用這種方法并不好處理。網(wǎng)站每次最多顯示 20 條短評，滾動條移動到最下面才會加載之后的 20 條，所以剛開始用了每次爬完之后將定位到當(dāng)前爬的位置的方法，這樣定位到當(dāng)前加載的最后一條時，就會加載之后的 20 條短評。

邏輯上是解決了這個問題，但真的爬的時候就出現(xiàn)了問題，一個是爬的慢，20條需要十來秒的樣子，這個沒關(guān)系，大不了爬幾個小時，但問題是辛辛苦苦爬了兩千多條之后，就自動斷了，不知道是什么原因，雖然之前爬的數(shù)據(jù)都存下來了，但沒法接著斷開的地方接著爬，又要重新開始，還不知道會不會又突然斷，所以用這種方法基本就無解了。代碼附在下面，雖然是失敗的，但也可以爬一些評論下來，供參考。

1#-*-coding:utf-8-*- 2""" 3CreatedonMonSep1019:36:242018 4""" 5fromseleniumimportwebdriver 6importpandasaspd 7fromdatetimeimportdatetime 8importnumpyasnp 9importtime10importos1112os.chdir('F:\python_study\pachong\工作細(xì)胞')13defgethtml(url):1415browser=webdriver.PhantomJS()16browser.get(url)17browser.implicitly_wait(10)18return(browser)1920defgetComment(url):2122browser=gethtml(url)23i=124AllArticle=pd.DataFrame(columns=['id','author','comment','stars1','stars2','stars3','stars4','stars5','unlike','like'])25print('連接成功，開始爬取數(shù)據(jù)')26whileTrue:2728xpath1='//*[@id="app"]/div[2]/div[2]/div/div[1]/div/div/div[4]/div/div/ul/li[{}]'.format(i)29try:30target=browser.find_element_by_xpath(xpath1)31except:32print('全部爬完')33break3435author=target.find_element_by_xpath('div[1]/div[2]').text36comment=target.find_element_by_xpath('div[2]/div').text37stars1=target.find_element_by_xpath('div[1]/div[3]/span/i[1]').get_attribute('class')38stars2=target.find_element_by_xpath('div[1]/div[3]/span/i[2]').get_attribute('class')39stars3=target.find_element_by_xpath('div[1]/div[3]/span/i[3]').get_attribute('class')40stars4=target.find_element_by_xpath('div[1]/div[3]/span/i[4]').get_attribute('class')41stars5=target.find_element_by_xpath('div[1]/div[3]/span/i[5]').get_attribute('class')42date=target.find_element_by_xpath('div[1]/div[4]').text43like=target.find_element_by_xpath('div[3]/div[1]').text44unlike=target.find_element_by_xpath('div[3]/div[2]').text454647comments=pd.DataFrame([i,author,comment,stars1,stars2,stars3,stars4,stars5,like,unlike]).T48comments.columns=['id','author','comment','stars1','stars2','stars3','stars4','stars5','unlike','like']49AllArticle=pd.concat([AllArticle,comments],axis=0)50browser.execute_script("arguments[0].scrollIntoView();",target)51i=i+152ifi%100==0:53print('已爬取{}條'.format(i))54AllArticle=AllArticle.reset_index(drop=True)55returnAllArticle5657url='https://www.bilibili.com/bangumi/media/md102392/?from=search&seid=8935536260089373525#short'58result=getComment(url)59#result.to_csv('工作細(xì)胞爬蟲.csv',index=False)

這種方法爬取失敗之后，一直不知道該怎么處理，剛好最近看到網(wǎng)上有大神爬貓眼評論的文章，照葫蘆畫瓢嘗試了一下，居然成功了，而且爬的速度也很快，十來分鐘就全爬完了，思路是找到評論對應(yīng)的 Json 文件，然后獲取 Json 中的數(shù)據(jù)，過程如下。

在 Google 瀏覽器中按 F12 打開卡發(fā)者工具后，選擇 Network

往下滑動，會發(fā)現(xiàn)過一段時間，會出現(xiàn)一個 fetch，右鍵打開后發(fā)現(xiàn)，里面就是 20 條記錄，有所有我們需要的內(nèi)容，Json格式。

所以現(xiàn)在需要做的就是去找這些Json文件的路徑的規(guī)律。多看幾條之后，就發(fā)現(xiàn)了規(guī)律：

第一個Json：

https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0

第二個Json：

https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0&cursor=76553500953424

第三個Json：

https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0&cursor=76549205971454

顯然所有的Json路徑的前半部分都是一樣，都是在第一條Json之后加上不同的 cursor = xxxxx，所以只要能找到cursor值的規(guī)律，就可以用循環(huán)的辦法，爬完所有的Json，這個值看上去沒什么規(guī)律，最后發(fā)現(xiàn)，每一個Json路徑中 cursor 值就藏在前一個Json的最后一條評論中

在 python 中可以直接把 JSON 轉(zhuǎn)成字典，cursor 值就是最后一條評論中鍵 cursor 的值，簡直不要太容易。

所以爬的思路就很清晰了，從一個Json開始，爬完 20 條評論后，獲取最后一個評論中的cursor值，更改路徑之后獲取第二個Json，重復(fù)上面的過程，直到爬完所有的Json。

至于如何知道爬完了所有Json，也很容易，每個Json中一個total鍵，表示了當(dāng)前一共有多少條評論，所以只需要寫一個while循環(huán)，當(dāng)爬到的評論數(shù)達(dá)到total值時停止。

爬的過程中還發(fā)現(xiàn)，有些Json中的評論數(shù)不夠 20 條，如果每次用 20 去定位，中間會報錯停止，需要注意一下。所以又加了一行代碼，每次獲得Json后，通過 len() 函數(shù)得到當(dāng)前Json中一共包含多少條評論，cursor 在最后一個評論中。

以上是整個爬的思路，我們最終爬到以下信息：

需要說明的地方，一個是 liked 按照字面意思應(yīng)該是用戶的點(diǎn)贊數(shù),但爬完才發(fā)現(xiàn)全是 0，沒有用。另一個是關(guān)于時間，里面有 ctime 和 mtime 兩個跟時間有關(guān)的值，看了幾個，基本都是一樣的，有個別不太一樣，差的不多，就只取了 ctime，我猜可能一個是點(diǎn)擊進(jìn)去的時間，一個是評論提交時間，但沒法驗(yàn)證，就隨便取一個算了，ctime 的編碼很奇怪，比如某一個是 ctime = 1540001677，渣渣之前沒有見過這種編碼方式，請教了大佬之后知道，這個是Linux系統(tǒng)上的時間表示方式，是1970 年 1 月 1 日 0 時 0 分 0 秒到當(dāng)時時點(diǎn)的秒數(shù)，python 中可以直接用 time.gmtime() 函數(shù)轉(zhuǎn)化成年月日小時分鐘秒的格式。還有 last_ep_index 里面存的是用戶當(dāng)前的看劇狀態(tài)，比如看至第 13 話，第 6 話之類的，但后來發(fā)現(xiàn)很不準(zhǔn)，絕大多數(shù)用戶沒有 last_ep_index 值，所以也沒有分析這個變量。

代碼如下：

1importrequests 2fromfake_useragentimportUserAgent 3importjson 4importpandasaspd 5importtime 6importdatetime 7headers={"User-Agent":UserAgent(verify_ssl=False).random} 8comment_api='https://bangumi.bilibili.com/review/web_api/short/list?media_id=102392&folded=0&page_size=20&sort=0' 910#發(fā)送get請求11response_comment=requests.get(comment_api,headers=headers)12json_comment=response_comment.text13json_comment=json.loads(json_comment)1415total=json_comment['result']['total']1617cols=['author','score','disliked','likes','liked','ctime','score','content','last_ep_index','cursor']18dataall=pd.DataFrame(index=range(total),columns=cols)192021j=022whilej

三、影評分析

最終一共爬到了 17398 條影評數(shù)據(jù)。里面的 date 是用 ctime 轉(zhuǎn)過來的，接下來對數(shù)據(jù)進(jìn)行一些分析，數(shù)據(jù)分析通過 python3.6 完成。

評分分布

評分取值范圍為2、4、6、8、10分，對應(yīng)1-5顆星

可以看出，幾乎所有的用戶都給了這部動漫五星好評，影響力可見一斑。

評分時間分布

將這部動漫從上線至今所有的評分按日進(jìn)行平均，觀察評分隨時間的變化情況

可以看出，評分一直居高不下，尤其起始和結(jié)束時都接近滿分，足見這是一部良好開端、圓滿結(jié)束的良心作品。

每日評論數(shù)

看完評分之后，再看看評論相關(guān)的數(shù)據(jù)，我最感興趣的是，這些評論的時間分布是怎么樣的，統(tǒng)計了每一日的評論數(shù)之后，得到了評論數(shù)的分布圖

基本上是每出了新的一話，大家看完后就會在短評中分享自己的感受，當(dāng)然同樣是起始和結(jié)束階段的評論數(shù)最多，對比同期的百度指數(shù)

評論日內(nèi)分布

除了每日的評論數(shù)，也想分析一下評論的日內(nèi)趨勢，用戶都喜歡在每日的什么時間進(jìn)行評論？將評論分 24 個小時求和匯總后，得到了下圖

不過這個結(jié)果就不是很理想了，橫軸是時間，縱軸是評論數(shù)，中午到下午的趨勢上升可以理解，晚上七八點(diǎn)沒有人評論反倒是凌晨三四點(diǎn)評論數(shù)最多，這個就很反常了，可能是評論在系統(tǒng)中上線的時間有一定偏差？

好評字?jǐn)?shù)

此外還想分析一下，是否點(diǎn)贊數(shù)多的，一定是寫的字?jǐn)?shù)越多的？因?yàn)槲恼轮写蟛糠值脑u論是沒有點(diǎn)贊的，所以這里中統(tǒng)計了有點(diǎn)贊（likes>0）的評論點(diǎn)贊數(shù)和評論字?jǐn)?shù)的數(shù)據(jù)。由于有一條評論字點(diǎn)贊數(shù)太多，嚴(yán)重偏離整體趨勢，所以做了對數(shù)圖進(jìn)行觀察。

整體來看，似乎沒什么關(guān)系，大量字?jǐn)?shù) 1-100 不等的，點(diǎn)贊數(shù)都為 1，點(diǎn)贊數(shù)大于 5 的部分有一定的正相關(guān)性，說明評論不僅要看數(shù)量，還要看質(zhì)量，寫出了大家的心聲，大家才會使勁點(diǎn)贊。

評論分析 TF-IDF

分析完基礎(chǔ)數(shù)據(jù)后，想更深入挖掘一下評論信息，大家都說了些什么？為什么這部劇這么受歡迎？也許都能在評論中找到答案。

jieba 分詞、去除停止詞、計算詞頻和 TF-IDF 的過程不表，與之前兩篇文章類似。我們提取了重要性前 500 的詞，這里展示部分

血小板高居首位，畢竟大家對萌萌噠事物都是沒什么抵抗力的。

詞語中也存在一些意義不大的詞，前期處理不太到位。不過從這些詞云中還是可以看出很多東西，為什么這部劇如此受歡迎？這里通過分詞可以得到以下三個解釋：

1. 題材好：科普類動漫，老少皆宜

評論中提到了科普、生物、題材等詞，還有各種細(xì)胞。區(qū)別于一般科普向動漫受眾低幼的問題，這部番的受眾年齡比較廣泛。因?yàn)樗婕暗降闹R并不算過于常識。動漫中，每一話，身體的主人都會生一場病，每次出現(xiàn)新的細(xì)胞和病毒出現(xiàn)時，都會對他們的身份有比較詳細(xì)和準(zhǔn)確的介紹

這種形式寓教于樂，同時戰(zhàn)斗的過程也充分地體現(xiàn)了每種細(xì)胞的特性。例如，前期因?yàn)閼?zhàn)斗力弱而被別的細(xì)胞瞧不起的嗜酸性粒細(xì)胞，在遇到寄生蟲的時候大放異彩?？梢哉f，每一種細(xì)胞爆種都爆得都有理有據(jù)。

2. 人設(shè)好

這部番把幾乎人體所有的細(xì)胞擬人化：紅細(xì)胞、白細(xì)胞、血小板、巨噬細(xì)胞等。每一種細(xì)胞都有比較獨(dú)特的設(shè)定，從御姐到蘿莉，從高冷到話癆。十幾個出場的主要人物都各自有立得住的萌點(diǎn)。滿足各種口味的需求。

3. 制作精良

這一點(diǎn)是毋庸置疑的，好的人設(shè)好的題材，如果沒有好的制作，都是白談，評論中也有很多人提到了“聲優(yōu)”、“配音”等。

當(dāng)然一部劇能夠火，不僅僅是這么簡單的原因，這里所說的，只是從數(shù)據(jù)可以看出的，觀眾的直觀感受。