12 KiB

Raw Blame History Unescape Escape

项目地址：https://code.educoder.net/pux36pf8t/2024-Summer-Olympics

一、PSP表格

1.各个模块开发预估耗时

PSP 阶段	预估时间（分钟）	备注
计划	100
- 需求分析	35	分析任务要求及功能
- 制定计划	65	制定开发计划和时间表
开发	685
- 设计	65	设计模块和数据结构
- 实现爬虫模块	185	使用Python实现爬虫，爬取B站视频弹幕数据
- 数据统计与处理模块	125	统计AI技术相关弹幕数据
- 可视化模块	125	使用词云图等方式进行数据可视化
- 数据结论与分析模块	95	分析AI技术应用的相关数据
测试	190
- 编写单元测试用例	65	编写测试代码和用例
- 测试执行与问题修复	125	执行测试，发现并修复问题
发布	65
- 项目提交与发布	65	提交到仓库与发布
性能优化	125
- 性能分析与优化	125	使用工具分析性能瓶颈并优化代码
总结与文档	95
- 编写项目文档	95	编写项目总结、开发文档和用户手册
总计	1260	约21小时，共1260分钟

2.各个模块上实际花费的时间

PSP 阶段	实际时间（分钟）	备注
计划	110
- 需求分析	45	分析任务要求及功能
- 制定计划	65	制定开发计划和时间表
开发	615
- 设计	75	设计模块和数据结构
- 实现爬虫模块	205	使用Python实现爬虫，爬取B站视频弹幕数据
- 数据统计与处理模块	135	统计AI技术相关弹幕数据
- 可视化模块	105	使用词云图等方式进行数据可视化
- 数据结论与分析模块	95	分析AI技术应用的相关数据
测试	170
- 编写单元测试用例	75	编写测试代码和用例
- 测试执行与问题修复	95	执行测试，发现并修复问题
发布	65
- 项目提交与发布	65	提交到仓库与发布
性能优化	105
- 性能分析与优化	105	使用工具分析性能瓶颈并优化代码
总结与文档	85
- 编写项目文档	85	编写项目总结、开发文档和用户手册
总计	1150	约19小时，共1150分钟

二、任务要求的实现

1.项目设计与技术栈

[1]任务流程

这一次任务我拆分成如下流程：

（1）进行需求分析和任务规划

（2）实现编码过程（包括数据爬取、数据处理与统计分析、结果写入Excel、生成词云图）

（3）总结2024巴黎奥运会中应用AI技术的主流观点

（4）上传代码&&编写文档

[2]代码使用的技术栈

整个代码主要使用了python语言完成。

完成基本任务所使用的技术栈如下：

Http请求：requests
Json解析：json
Excel写入：pandas
词云生成：wordcloud
文件输入流：python自带内置的 open 函数

[3]其他工具

对于上面的流程，我主要通过阅读相关书籍，阅读官方文档，借助搜索引擎，借助AI，观看视频等多种方式完成的。

代码测试主要使用pycharm的代码分析。

代码上传主要使用头歌。

2.爬虫与数据处理

[1]业务逻辑

[2]代码设计过程

(1)主要架构

这个代码的主要实现部分以BilibiliSpiderApplication作为整个程序的主类，执行主流程实现所有任务。

    #获取视频aid
    process_urls(urls, headers)
    print("获取视频aid完毕")
    #将视频aid转换成cid
    process_aid_and_cid('aid.txt', 'cid.txt', headers)
    print("将aid转换成cid完毕，cid去重完成，结果已写回文件。")
    #获取视频弹幕
    fetch_danmu()
    print("弹幕爬取完成。")
    # 调用函数进行文件清理
    print('开始清洗弹幕')
    clean_file('comment.txt', 'cleaned_comment.txt')
    print("弹幕清洗完毕")
    #数据统计输出
    print('开始数据统计')
    analyze_keywords_in_comments('cleaned_comment.txt', 'keywords.txt', 'ai_technologies_count.xlsx')
    #输出词云图
    print("开始构建词云图")
    generate_wordcloud('cleaned_comment.txt', 'stopwords.txt', '词云.png')
    print("构建词云图完毕")
if __name__ == "__main__":
    main()

另一方面，为了保证代码的简洁性和遵循单一职责的原则。做了一定程度的封装。将具体操作封装到process_urls,process_aid_and_ci,fetch_danmu等函数对外提供服务。

(2)完整性，可读性以及规范化

完整性：

使用if...else...语句对代码可能出现的异常进行输出；

代码的低耦合和单一职责：

def extract_ids_from_url(url, head, output_file='aid.txt'):
    """
    从给定的 URL 中提取 IDs 并将其保存到指定的文件中。

    参数:
    url (str): 要请求的 URL。
    head (dict): 请求头，用于发起 HTTP 请求。
    output_file (str): 存储提取的 ID 的文件路径，默认为 'aid.txt'。
    """
    try:
        # 发起 GET 请求
        response = requests.get(url=url, headers=head)
        # 确保请求成功，状态码在 200 到 299 之间
        response.raise_for_status()

        # 将响应内容解析为 JSON 格式
        data = response.json()

        # 检查响应数据是否包含 'data' 和 'result' 键
        if 'data' in data and 'result' in data['data']:
            items = data['data']['result']
            # 提取每个条目的 'id' 字段
            ids = [item['id'] for item in items]

            # 以追加模式打开文件，并写入每个 ID
            with open(output_file, 'a') as file:
                for aid in ids:
                    file.write(f"{aid}\n")

            print(f"IDs have been saved to {output_file}")
        else:
            print("Unexpected response format")  # 如果响应格式不符合预期，输出提示信息

    except requests.RequestException as e:
        # 捕获并打印请求相关的错误
        print(f"Request error: {e}")
    except KeyError as e:
        # 捕获并打印键错误
        print(f"Key error: {e}")
    except Exception as e:
        # 捕获并打印其他类型的异常
        print(f"An error occurred: {e}")


def process_urls(urls1, headers1, output_file='aid.txt'):
    """
    遍历 URL 列表，并对每个 URL 调用 extract_ids_from_url 函数进行处理。

    参数:
    urls1 (list): 包含 URL 的列表。
    headers1 (dict): 请求头，用于发起 HTTP 请求。
    output_file (str): 存储提取的 ID 的文件路径，默认为 'aid.txt'。
    """
    for url in urls1:
        extract_ids_from_url(url, headers1, output_file)

可读性：加入详细的注释，变量命，函数名，方法名见名知意。

规范化：

变量、函数、类命名严格遵守蛇形命名法。使用pycharm代码分析插件分析代码，尽量消除警告。

3.数据统计接口部分的性能改进

算法选择：选择合适的算法进行数据分析，避免使用复杂度过高的算法。数据预处理：在分析之前对数据进行预处理，减少分析时的计算量。

4.数据结论的可靠性

结论：从关键词的出现次数可以得出以下结论：

观看奥运会时，用户几乎没有产生对ai应用技术方面的想法，可以认为绝大多数人对巴黎奥运会ai应用了何种技术毫不关心。

综上所述，当前B站用户主要对“AI”及相关技术在2024巴黎奥运会的应用保持极低的关注度，而对比赛精彩的讨论相对较多。

主要通过生成的Excel数据集以及词云图，通过自己分析+ChatGPT导入文件分析，得出最终结论。

5.数据可视化界面的展示

[1]词云图组件：展示最受欢迎的AI相关关键词及其出现频率。词云图采用颜色和字体大小来体现关键词的热度，较大的字体和亮眼的颜色代表出现频率高的词汇。

[2]Excel文件：展示每个关键词的具体出现次数。相比词云图，Excel表能够提供更精确的数值信息。

三、心得体会

[1]. 理解 API 接口 了解接口文档 B站提供了多种 API 接口来获取弹幕数据。熟悉这些接口的文档是至关重要的。API 文档通常包含了请求的 URL 格式、所需的参数以及返回的数据结构等信息。在爬取弹幕数据时，我发现了解这些细节有助于构建正确的请求，从而获取准确的数据。构建请求在构造 API 请求时，我学会了如何使用适当的参数来获取特定的视频弹幕数据。例如，视频的 cid（内容 ID）是获取弹幕的关键参数，而 date 参数可以指定具体的日期，这对于获取特定时间段的弹幕非常有用。 [2]. 处理反爬虫措施 使用合适的请求头 B站会对频繁的请求进行限制，因此在爬取过程中，使用合适的请求头（如 User-Agent）可以帮助模拟正常的浏览器请求，减少被封禁的风险。 [3]. 数据处理与存储 清洗数据弹幕数据中可能包含噪声或无用的信息。在爬取数据后，需要对其进行清洗，去除无关内容，并提取出有用的信息。使用正则表达式来提取中文弹幕是一个有效的方法，但也需要对匹配的规则进行调整，以确保准确性。存储数据将弹幕数据存储到文件或数据库中时，需要考虑到数据的格式和结构。在我的实践中，我使用了文本文件来存储弹幕数据，并采用 UTF-8 编码来处理中文字符。这有助于确保数据的完整性和可读性。

12 KiB Raw Blame History Unescape Escape