プログラムで生活をHACKする

YRen-LaB

Python

【python】YouTube Liveのアーカイブからチャットを取得する

更新日:


目的

YouTube Liveのアーカイブからチャット内容を取得する

経緯

コメントを解析して見所を予測したり
非常識なコメントをしているユーザーを見つけたりしたかった。

ただ、YouTubeのAPIはLive中のチャットを取得することはできるが
Liveアーカイブのチャットを取得するAPIは2020/02/10時点で存在していない
※見逃してたらすみません。

でも画面には表示されているわけで取得することは可能と判断。

実装...の前に

開発者ツールで確認

チャット表示に裏で何が行われているのか見るには、ブラウザでF12を押下することで
表示される開発者ツールを使用する。

そこからNetworkタブで画面表示のために動いているものが見れる。
今回だと、

https://www.youtube.com/live_chat/get_live_chat?xxxxxxx

というWebAPIがコールされており、そのResponseJsonにチャットの内容が格納されていることがわかった。
コールの度に
QueryStringの以下二つのパラメータが変わっている。

  1. continuation
  2. playerOffsetMs

他のサイトではcontinuationを変更し、チャットを取得しているが
ここではplayerOffsetMsを変更してチャットを取得する。

※注意!
チャットを取得するなら他のサイトのようにcontinuationをResponseJsonから取得したほうが効率的です。
何故playerOffsetMsを使うのかというと他のサイトで解説されていないことの方が多いため。
後個人的にplayerOffsetMsのみ使用のコードを先に書いてしまったので、没にするにはもったいなかったため(笑

処理

  1. 初回のcontinuationを取得するためYouTubeへアクセスする
  2. パラメータを作成し、WebAPIコール
  3. ResponseJsonからチャットを取得
    1. 同じチャットIDは無視
  4. ファイルに保存
  5. playerOffsetMsをjson内の最後の要素の値にし、1~4を再帰

実装

変数名とかコメントとか適当になっていくのはいつものこと....

import json
import configparser
import requests
import urllib
import codecs
import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

import pandas
import os

'''
    WebAPIのRequetsURLを取得する
        in browser  : chromeDriver
           video_url    : 動画のURL
        out 
'''
def __get_webapiurl(browser,video_url):

    # 動画へアクセス
    browser.get(video_url)

    WebDriverWait(browser, 15).until(EC.presence_of_element_located((By.ID,"chatframe"))) # チャットランが読み込まれるまで待機
    # WebAPIのRequetsURLを取得する
    url = browser.find_element_by_id("chatframe").get_attribute("src")
    return url

'''
    WebAPI実行
        in webapi_url  : youtube webapiのRequetsURL
'''
def __call_api(webapi_url,params,videoId):

    message_list = []
    chat_time_list = []
    id_list = []

    output_path =config.get("path","output_path")
    output_path = output_path + "\\" + videoId + ".csv"

    # Postmanだとuser-agent入れてないとエラーになるので一応入れとく
    payload_str = "&".join("%s=%s" % (k,v) for k,v in params.items()) # URLエンコードされるため変換
    res = requests.get("https://www.youtube.com/live_chat_replay/get_live_chat_replay",params=payload_str,headers={"user-agent":"ozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"}) # webapiコール    
    res_json = res.json()
    for chatInfo in res_json["response"]["continuationContents"]["liveChatContinuation"]["actions"]:

        videoOffsetTimeMsec = chatInfo["replayChatItemAction"]["videoOffsetTimeMsec"] # チャット投稿時間(msec)
        print(videoOffsetTimeMsec)

        chatItemAction = ""
        if "addLiveChatTickerItemAction" in chatInfo["replayChatItemAction"]["actions"][0]:
            chatItemAction = "addLiveChatTickerItemAction"
        elif "addChatItemAction" in chatInfo["replayChatItemAction"]["actions"][0]:
            chatItemAction = "addChatItemAction"

        if "liveChatViewerEngagementMessageRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # 該当キーが合った場合はシステムメッセージのためスキップ
            continue

        # チャット文字列
        MessageRenderer = ""
        if "liveChatTextMessageRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # 通常チャット
            MessageRenderer = "liveChatTextMessageRenderer"
        elif "liveChatPaidMessageRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャ文字 + 絵文字? # 無言スパチャはこの後のmessageキーがないため注意
            MessageRenderer = "liveChatPaidMessageRenderer"
            continue
        elif "liveChatPaidStickerRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャ絵文字のみ
            continue
        elif "liveChatTickerPaidStickerItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャ絵文字のみの額
            continue
        elif "liveChatTickerPaidMessageItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャの額
            # こっちは一旦いらない
            continue
        elif "liveChatMembershipItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # メンバーシップ
            # 今回はカウントしない
            continue
        elif "liveChatTickerSponsorItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # メンバーシップ
            # 今回はカウントしない
            continue
        elif "liveChatPlaceholderItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # 多分コメント撤回したやつ
            continue
        id = chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"][MessageRenderer]["id"]
        print(id)

        chat_strs = chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"][MessageRenderer]["message"]["runs"]
        chat_time = chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"][MessageRenderer]["timestampText"]["simpleText"]
        print(chat_time)

        # idの重複チェック
        if os.path.exists(output_path):
            if __check_id(output_path,id):
                # 重複してたら次
                continue

        # リストで分かれてる場合があるため回す。
        message = ""
        for chat_str in chat_strs:
            if "emoji" in chat_str:
                # 絵文字だった場合
                message += "emoji"
            if "text" in chat_str:
                message += chat_str["text"]

        message_list.append(message)
        chat_time_list.append(chat_time)
        id_list.append(id)
        print(message)

    # 時間が同じだったら終了
    if videoOffsetTimeMsec == params["playerOffsetMs"]:
        return

    # 最後のoffsetを使用してAPI呼び出し
    params = {
        "commandMetadata" : params["commandMetadata"],
        "continuation" : params["continuation"],
        "playerOffsetMs" : videoOffsetTimeMsec,
        "hidden" : params["hidden"],
        "pbj" : params["pbj"]
    }

    # 保存して再帰
    __save_file(message_list,chat_time_list,id_list,output_path)

    __call_api(webapi_url,params,videoId)

def __check_id(output_path,id):
    is_id = False
    # idの重複チェック
    with codecs.open(output_path,'r',encoding='cp932',errors="ignore") as csv_file:
        read_csv = pandas.read_csv(csv_file)
        if id in read_csv["id"].values:
            is_id = True
    return is_id

'''
    csvに保存
'''
def __save_file(message_list,chat_time_list,id_list,output_path):
    # csvに出力
    df = pandas.DataFrame({
        "id":id_list,
        "chatTime":chat_time_list,
        "chatMessage":message_list
    })

    # csvファイルがあれば上書きなければ新規作成
    if os.path.exists(output_path):
        # csvのパス、エンコード、書き込み方法(w:上書き, a:追記),header= falseにすることでカラムは無視される
        with codecs.open(output_path,'a',encoding='cp932',errors="ignore") as csv_file:
            # 既にcsvにidが存在すればListのデータは削除
            df.to_csv(csv_file,header=False)
    else:
        with codecs.open(output_path,'w',encoding='cp932',errors="ignore") as csv_file:        
            df.to_csv(csv_file)

if __name__ == "__main__":

    # 設定ファイルから情報を取得
    config = configparser.RawConfigParser()
    config.read('./setting.ini',encoding="utf-8")

    webdriver_path = config.get("web_driver","chrome_driver")

    options =  webdriver.ChromeOptions()
    # options.add_argument('--headless')
    # options.add_argument("--disable-gpu")
    # options.add_argument("--no-sandbox")
    # options.add_argument("--allow-insecure-localhost")
    browser = webdriver.Chrome(executable_path=webdriver_path,options=options)

    video_url = input("YouTubeの動画IDを入力する\n")

    start = time.time()

    videoId = video_url.split("?")[1].split("=")[1]

    webapi_url = __get_webapiurl(browser,video_url)

    browser.quit()

    # 初期呼び出し用
    params = {
        "commandMetadata": "objectObject",
        "continuation": webapi_url.split("?")[1].split("=")[1],
        "playerOffsetMs":"0",
        "hidden": False,
        "pbj":"1"
        }
    __call_api(webapi_url,params,videoId)

    elapsed_time = time.time() - start
    print ("elapsed_time:{0}".format(elapsed_time) + "[sec]")

解説

def __get_webapiurl(browser,video_url):

    # 動画へアクセス
    browser.get(video_url)

    WebDriverWait(browser, 15).until(EC.presence_of_element_located((By.ID,"chatframe"))) # チャットランが読み込まれるまで待機
    # WebAPIのRequetsURLを取得する
    url = browser.find_element_by_id("chatframe").get_attribute("src")
    return url

動画のURLからAPIを呼ぶための初期パラメータを取得してくる
初期パラメータは"chatframe"にあるため、読み込まれるまで待機し、"src"を取得する

    payload_str = "&".join("%s=%s" % (k,v) for k,v in params.items()) # URLエンコードされるため変換
    res = requests.get("https://www.youtube.com/live_chat_replay/get_live_chat_replay",params=payload_str,headers={"user-agent":"ozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"}) # webapiコール    
    res_json = res.json()

WebAPI呼び出し部分
URLエンコードされるためパラメータを変換している
Postmanで実行した際、user-agentがないとブラウザが対応してないとかでエラー
になったため一応入れている

        # チャット文字列
        MessageRenderer = ""
        if "liveChatTextMessageRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # 通常チャット
            MessageRenderer = "liveChatTextMessageRenderer"
        elif "liveChatPaidMessageRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャ文字 + 絵文字? # 無言スパチャはこの後のmessageキーがないため注意
            MessageRenderer = "liveChatPaidMessageRenderer"
            continue
        elif "liveChatPaidStickerRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャ絵文字のみ
            continue
        elif "liveChatTickerPaidStickerItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャ絵文字のみの額
            continue
        elif "liveChatTickerPaidMessageItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # スパチャの額
            # こっちは一旦いらない
            continue
        elif "liveChatMembershipItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # メンバーシップ
            # 今回はカウントしない
            continue
        elif "liveChatTickerSponsorItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # メンバーシップ
            # 今回はカウントしない
            continue
        elif "liveChatPlaceholderItemRenderer" in chatInfo["replayChatItemAction"]["actions"][0][chatItemAction]["item"]:
            # 多分コメント撤回したやつ
            continue

チャットの種類(通常のtext、スパチャ、メンバーシップ、(撤回)によって項目名が変わる。
一応見つけ分については全て場合分けしたが、通常チャットだけとりたいなら
liveChatTextMessageRendererだけ取得して後はelseでOK。

スパチャは文字列のやつと動く絵文字みたいなやつ、メンバーシップで
それぞれ2種類ずつあるっぽい。

スパチャ・メンバーシップ数集計するならどちらか片方見ればよかったはず。

def __check_id(output_path,id):
    is_id = False
    # idの重複チェック
    with codecs.open(output_path,'r',encoding='cp932',errors="ignore") as csv_file:
        read_csv = pandas.read_csv(csv_file)
        if id in read_csv["id"].values:
            is_id = True
    return is_id

playerOffsetMsを変更してチャットを取得すると、同じチャットが取得されるため
チャットIDを都度チェックして、重複しているものは除外する

        message = ""
        for chat_str in chat_strs:
            if "emoji" in chat_str:
                # 絵文字だった場合
                message += "emoji"
            if "text" in chat_str:
                message += chat_str["text"]

よくわからないがチャットの内容はListで持っているため
ループを回して結合する。
絵文字の場合は画像のパスなので適当に「emoji」としている

    # 時間が同じだったら終了
    if videoOffsetTimeMsec == params["playerOffsetMs"]:
        return

    # 最後のoffsetを使用してAPI呼び出し
    params = {
        "commandMetadata" : params["commandMetadata"],
        "continuation" : params["continuation"],
        "playerOffsetMs" : videoOffsetTimeMsec,
        "hidden" : params["hidden"],
        "pbj" : params["pbj"]
    }

ResponseJsonの最後のplayerOffsetMsが直前に読んだパラメータと同じだったら
処理終了。

同じではない場合は
最後のplayerOffsetMsを次のパラメータとする

def __save_file(message_list,chat_time_list,id_list,output_path):
    # csvに出力
    df = pandas.DataFrame({
        "id":id_list,
        "chatTime":chat_time_list,
        "chatMessage":message_list
    })

    # csvファイルがあれば上書きなければ新規作成
    if os.path.exists(output_path):
        # csvのパス、エンコード、書き込み方法(w:上書き, a:追記),header= falseにすることでカラムは無視される
        with codecs.open(output_path,'a',encoding='cp932',errors="ignore") as csv_file:
            # 既にcsvにidが存在すればListのデータは削除
            df.to_csv(csv_file,header=False)
    else:
        with codecs.open(output_path,'w',encoding='cp932',errors="ignore") as csv_file:        
            df.to_csv(csv_file)

取得したチャットをファイルに出力
Unicodeエラー対応のためにcodecsを使用している

まとめ

PythonでYouTubeアーカイブからチャットを取得する方法でした。
playerOffsetMsだけを変更してチャットを取得すると重複が発生し、
その分WebAPIのコール回数が増えるため、実行時間がかかる。

そのため、他の方が紹介している通り、continuationのみを使用して
チャットを取得した方がよい。





単純作業にお悩みではありませんか?

何百とあるワードを検索してファイルにまとめたり 数ある商品情報から条件にあるものだけ目で探してリ...

その単純作業プログラムで解決できるかもしれません。 もしよろしければ単純作業からの解放をお手伝いさせてください。

詳しくは以下のページからDM、または見積もり相談お願い致します。

お仕事依頼 ・ 見積もり依頼

adsense




-Python
-,

Copyright© YRen-LaB , 2024 AllRights Reserved Powered by AFFINGER4.