Анализ видеоконтента

VK Video Analytics — Анализ видеоконтента

Автор: Светлана Селиверстова

Группа: АДЭУ-221

Дисциплина: Работа с API социальных сетей и облачных сервисов

Цель работы

Разработать инструмент для анализа видеоконтента из открытых источников (VK) с целью выявления актуальных тем, изучения принципов работы API и создания интерактивного веб-интерфейса для визуализации метрик.

Задачи

1. Изучить документацию VK API (методы video.get, users.get, groups.getById, utils.resolveScreenName).
2. Получить токен доступа для работы с данными.
3. Написать скрипт на Python для сбора до 500 видео из сообщества.
4. Реализовать фильтрацию «лишних» слов (местоимения, глаголы, вводные конструкции) для выделения смысловых тем.
5. Построить графики: топ-10 видео, анализ длительности, временная активность, облако ключевых слов, вовлечённость.
6. Создать веб-интерфейс на Flask для отображения аналитики в браузере (localhost).
7. Оформить результаты в виде отчёта.

Технологии

• Языки: Python, JavaScript, HTML/CSS
• Библиотеки Python: requests, pandas, matplotlib, seaborn, wordcloud, flask
• API: VK API (видео, пользователи, группы, разрешение имён)
• Визуализация: Matplotlib, Seaborn, WordCloud
• Веб-фреймворк: Flask

Структура проекта

vk_video_analytics/
├── config.py                 # настройки: токен, ссылка, лимиты
├── vk_api_client.py          # работа с VK API (пагинация, resolveScreenName)
├── analyzer.py               # аналитика: DataFrame, стоп-слова, тренды
├── visualizer.py             # построение графиков (matplotlib, wordcloud)
├── app.py                    # веб-сервер Flask
├── templates/
│   └── index.html            # HTML-шаблон с графиками и трендами
├── results/                  # папка с результатами (создаётся автоматически)
│   ├── videos_data.csv       # все собранные данные
│   ├── *.png                 # графики
│   └── *.json                # инсайты и тренды
└── requirements.txt          # зависимости

Ход работы над проектом

Этап 1. Написание Python-скрипта для сбора данных

Установила необходимые библиотеки:

pip install requests pandas matplotlib seaborn wordcloud flask

Написала клиент для VK API с поддержкой:

• Преобразования ссылки в ID через utils.resolveScreenName
• Пагинации для получения до 500 видео
• Сбора информации об авторах (пользователи и группы)

Результат: собран DataFrame с полями: title, views, duration, date, engagement и др.

Этап 2. Реализация фильтрации «лишних» слов

Создала список стоп-слов, включающий:

• Местоимения (твой, мой, его, их, я, ты, мы)
• Глаголы (быть, сказать, делать, хотеть, любить, идти, работать)
• Вводные конструкции (кстати, наверное, конечно, по-моему)
• Частицы, предлоги, союзы (в, на, и, а, но, или)
• Общие слова (самый, хороший, новый, легко, сейчас)

При построении облака слов и поиске трендовых тем эти слова исключаются, остаются только смысловые ключевые слова.

Этап 3. Создание графиков и визуализации

Реализовала модуль визуализации, который строит:

• Топ-10 видео по просмотрам (горизонтальная столбчатая диаграмма)
• Анализ длительности — средние просмотры и распределение по категориям
• Временной анализ — средние просмотры по часам и дням недели
• Облако ключевых слов (только значимые слова после фильтрации)
• Анализ вовлечённости — зависимость вовлечённости от просмотров и по длительности

Этап 4. Создание веб-интерфейса на Flask

Разработала веб-приложение на Flask с маршрутами:

• / — главная страница с аналитикой
• /api/insights — JSON с ключевыми инсайтами
• /api/trending — JSON с трендовыми темами
• /api/top_videos — JSON с топ-20 видео
• /api/chart/<name> — отдача PNG-графиков
• /refresh — принудительное обновление данных

HTML-шаблон адаптивный, отображает все графики и тренды в удобной сетке.

Этап 5. Тестирование и отладка

Провела тестирование на сообществе https://vk.com/vkvideo. Собрано 500 видео, построены графики. Проверила фильтрацию стоп-слов — в облаке слов и трендах остались только смысловые темы (например, «кино», «сериал», «премьера», «трейлер»).

Выводы

В ходе работы над проектом я:

• Научилась работать с VK API — получать токен, делать запросы с пагинацией, обрабатывать ответы, использовать resolveScreenName для преобразования ссылок.
• Освоила очистку текстовых данных: фильтрацию стоп-слов (местоимения, глаголы, вводные конструкции) для выделения смысловых тем.
• Создала комплексную аналитику видеоконтента: топ видео, анализ длительности, временную активность, вовлечённость, облако ключевых слов.
• Разработала веб-приложение на Flask с интерактивным интерфейсом и графиками.
• Поняла, как устроены современные сервисы аналитики контента, собирающие данные через открытые API.

Скриншоты проекта