利用python提取弹幕纯文字部分

老早之前写的草稿，现在发现可能以后会想回忆或者找找灵感。

---

随便选取B站一个弹幕较多的视频，将其弹幕文件作为练习：

提取前：

  提取后：

分析：

【最好直接用正则表达式提取（一步解决）：data = re.findall('<d p=".*?">(.*?)</d>'， data)

（.*?代表任意字符，括号括起来的表示需要提取的部分，其他不需要提取的需观察共有部分照写上去，后面，data那个参数表示对data变量进行提取）】

1、首先读取原文件，打印输出发现是2105行9列二维的DataFrame，只有最后一列包含了需要提纯的弹幕，前8列都是与弹幕内容无关的信息，[:, 8]表示所有行，第9列。

2、因为需要访问具体行列，所以要将DataFrame转换成ndarray

否则会有以下错误：

TypeError: '(slice(None, None, None), 1)' is an invalid key

 参考：https://blog.youkuaiyun.com/qxqxqzzz/article/details/88315577

3、最后存储文件用pandas的to_csv函数，每条弹幕换行存储也即间隔为'\n'

（最后：如果no module names pandas，去setting里将project interpreter 设为python 3.10）

代码：

import pandas as pd

data = pd.read_csv('炮姐.txt', error_bad_lines=False)

# 遇到问题1：dataframe转成ndarray的问题(即用下面一行来解决）
data = data.values

data_new = data[:, 8]

# 存储：
data2 = pd.Series(data_new) # 再将其转为DataFrame
data2.to_csv('after.txt', sep='\n', index=False)

现在效果图：

最后用pandas的dtype查看元素类型发现是object类型的元素，文件里存储的是一个完整的元素，对一个元素删改不同与对一个数组删改，由于对一个元素删改较复杂。

所以最后还是选择用txt自带的查找功能：ctrl +H 手动花1min将有规律的多余部分替换为空。并先删去与内容无关的第一行。即可满足需求。