• Python数据分析揭秘知乎大V的小秘密


    前言

    文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

    作者: 清风小筑

    PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

    http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

    知乎,可以说是国内目前最大的问答类社区。与微博、贴吧等产品不同,知乎上面的内容更多是用户针对特定的问题分享知识、经验和见解。

    大V的关联

    首先给大家看的是知乎上粉丝数前50用户的关系图:

    在这里插入图片描述 在这里插入图片描述 在这里插入图片描述

    图中的线是用户之间的相互关注的关系。这三张图的差别只在圆圈的大小上,依次分别代表:粉丝数、连入度(被图中其他人关注的数量)、连出度(关注图中其他人的数量)

    比较明显的是,像知乎日报、刘看山、丁香医生这类普通用户关注较多的“机构号”,在大V中的受关注度并不高。

    这张图是通过一个叫做 Gephi 的软件,基于 Python 采集下来的数据做出来的。其中圈的颜色是 Gephi 根据关联关系自动聚合的结果。

    谁是大V

    知乎的四大指标:关注、赞同、感谢、收藏。我们分别看下以不同指标排行的“头部用户”:

    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述

     

    其中,张佳玮可以说是非常突出了。(这个名字好熟悉……还记得之前的虎扑分析吗?)

     

    在这里插入图片描述

    在这里插入图片描述

     

    官方收录回答数,张佳玮还是遥遥领先,收录文章数也榜上有名。

     

    如果不论质量,仅看数量的话:

    在这里插入图片描述

    在这里插入图片描述

    把这几组数据合成了两张三维散点图:

    在这里插入图片描述

    在这里插入图片描述

    图中选取的数据为关注数大于1万的用户。在项目里有可以交互的网页版本,可以更直观的查看这个分布图。

    在这里插入图片描述

    大V的热情在消退?

    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述

    在这里插入图片描述

     

    上面几张图是对目前关注数超10万的用户的历史发布数据进行的统计。从图上来看,2015年大V们更热衷于回答,后来则大都改去写专栏文章了。从趋势来看,似乎大V们发文的频率已不再增长。不过这并不能直接推断知乎的整体热度,也可能内容的产出更分散于不同用户了呢?这就只有知乎官方才有权威数据了。

    用户爱看什么?

     

    在这里插入图片描述

    在这里插入图片描述

     

    这些关注度最高专栏和收藏夹,里面有你关注的吗?

    最后,这是一个以关注数超1万的用户的个人简介做出来的词云:

     

    在这里插入图片描述

    代码

     1 # coding:utf8
     2 # 抓取粉丝数过 1w 用户
     3 import requests
     4 import pymongo
     5 import time
     6 import pickle
     7  8 def get_ready(ch='user_pd',dbname='test'):
     9     '''数据库调用'''
    10     global mycol, myclient,myhp
    11     myclient = pymongo.MongoClient("mongodb://localhost:27017/")
    12     mydb = myclient[dbname]
    13     mycol = mydb[ch]
    14 get_ready()
    15 ss = mycol.find({})
    16 17 se = {1,} # 去重集合
    18 se2 = ['GOUKI9999','zhang-jia-wei'] # 爬取的列表
    19 # with open(r'C:UsersycDesktopused.txt', 'rb') as f: # 读取
    20 #     used = pickle.load(f)
    21 used={1,}
    22 sed = {}
    23 for s in ss:
    24     if s['follower_count']>=10000: # 粉丝数大于10000 
    25         sed[s['user_id']] = sed.get(s['user_id'],0) + 1
    26         if sed[s['user_id']] == 1:
    27             se.add(s['user_id'])
    28             se2.append(s['user_id'])
    29 leng = len(se2)
    30 print(leng)
    31 proxies = {
    32     "http": "http://spiderbeg:pythonbe@106.52.85.210:8000",
    33     "https": "http://spiderbeg:pythonbe@106.52.85.210:8000",
    34 }
    35 headers = {
    36     'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
    37     'cookie':'your_cookie(用户主页面)'
    38     }
    39 for i,url_id in enumerate(se2): # 爬取
    40     if i>=0:
    41         print(i,' ', end='') # url个数
    42     if url_id not in used: # 是否使用过
    43         used.add(url_id)
    44         nums = 500
    45         off = 0
    46         
    47         while True:
    48             url2 = 'https://www.zhihu.com/api/v4/members/' + url_id + '/followees?include=data%5B*%5D.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics&offset=' + str(off) + '&limit=' + str(nums)
    49             r2 = requests.get(url2, headers=headers,proxies=proxies)
    50             time.sleep(0.5)
    51             c = 0
    52             if 'error' in r2.json():
    53                 if r2.json()['error']['code'] in {310000, 310001}:
    54                     break
    55                 else:
    56                     raise NameError('页面错误')
    57             used.add(url_id) # 判断是否使用
    58             for d in r2.json()['data']:
    59                 z = {}
    60                 c+=1
    61                 z['user_id'] = d['url_token']
    62                 z['name'] = d['name']
    63                 z['headline'] = d['headline']
    64                 z['follower_count'] = d['follower_count']
    65                 z['answer_count'] = d['answer_count']
    66                 z['articles_count'] = d['articles_count'] # if d['articles_count'] else 0 
    67                 z['from'] = url_id # 谁的关注列表
    68                 if d['follower_count']>=10000 and d['url_token'] not in se and d['url_token'] not in used: # 粉丝大于 1w,则爬取
    69                     se.add(d['url_token'])
    70                     se2.append(d['url_token'])
    71                     mycol.insert_one(z) # 插入数据
    72             if r2.json()["paging"]['is_end'] == False:
    73                 nums+=500
    74                 off+=500
    75             elif r2.json()["paging"]['is_end'] == True:
    76                 break
    77             else:
    78                 print(r2.json)
    79                 break
  • 相关阅读:
    第 15 章 标签页和工具提示插件
    第 14 章 下拉菜单和滚动监听插件
    第 13 章 模态框插件
    第 12 章 列表组面板和嵌入组件
    第 11 章 进度条媒体对象和 Well 组件
    第 10 章 巨幕页头缩略图和警告框组件
    第 9 章 路径分页标签和徽章组件
    lock()与lockInterruptibly()的区别
    MySQL中Innodb的聚簇索引和非聚簇索引
    MySQL使用可重复读作为默认隔离级别的原因
  • 原文地址:https://www.cnblogs.com/Qqun821460695/p/11935282.html
走看看 - 开发者的网上家园