爬取簡書和數(shù)據(jù)分析

作者：sexycoder

最近入門了一下scrapy，找了一個(gè)網(wǎng)站練手，半天的時(shí)間爬取了簡書20w用戶數(shù)據(jù)和40w的follow關(guān)系。這些存在mysql里面的閑著也是閑著，想做一些有意思的數(shù)據(jù)統(tǒng)計(jì)和社交關(guān)系分析。

最受歡迎的作者

我統(tǒng)計(jì)了簡書上面粉絲數(shù)最多和被喜歡次數(shù)最多的用戶，簡書上最受歡迎的作者，如下圖所示：

我把最受歡迎的作者的放到一張圖上面，橫坐標(biāo)表示粉絲數(shù)，縱坐標(biāo)表示被喜歡的次數(shù)，如下圖所示?？梢院苊黠@的看出來，這些最受歡迎的作者里面，大多數(shù)的作者還是聚集在圖的左下角，but，還有幾個(gè)超級(jí)受歡迎的，他們分別分布在圖的右側(cè)和上側(cè)。他們分別是，劉淼，彭小六，簡黛玉。很可惜，截圖上不能附上作者的名字。

這是同濟(jì)最受歡迎的作者的原始數(shù)據(jù)，我也貼在這里，如下圖所示，數(shù)據(jù)爬取的時(shí)間是 2017年10月20日左右。下圖的這四列分別是，uid，昵稱，粉絲數(shù)，被喜歡數(shù)。

最能寫的作者

統(tǒng)計(jì)了發(fā)表文章數(shù)最多的top20作者，如下圖所示：

排名第一的這位孤鳥差魚 （ http://www.jianshu.com/u/a4bb86f4ba07），寫了1799篇文章?。∥业奶?！但是這里有一個(gè)bug，這位作者雖然能寫，但是每篇文章被喜歡的次數(shù)很低，基本上是個(gè)位數(shù)?？赡苁且晃还陋?dú)but高產(chǎn)的作者。

平均每個(gè)字被喜歡次數(shù)坐高的作者

從上面的一個(gè)統(tǒng)計(jì)里面吸取到的一個(gè)靈感，雖然上面的作者很能寫，但是被喜歡的次數(shù)卻很低，這一次統(tǒng)計(jì)的是平均每個(gè)字被喜歡次數(shù)坐高的作者。如下圖所示：

這個(gè)結(jié)果就更加意外了，排在前面的這幾個(gè)大哥，就寫了一個(gè)字，but 收獲了48個(gè)喜歡?。。?！每個(gè)字被喜歡的比例是1：48?。。∮谑?，很好奇這位大哥，這一個(gè)字寫得是什么，跑去圍觀。。

用戶的粉絲數(shù)分布的比例

分析了一下每個(gè)用戶的粉絲數(shù)，絕大多數(shù)用戶的粉絲數(shù)只有10人以下，而粉絲數(shù)分布在[10,20]之間的用戶明顯少了很多，簡直是銳減?。?！這也基本上符合一個(gè)社交網(wǎng)絡(luò)的結(jié)果，絕大多數(shù)的人都是圍觀者，都是內(nèi)容或者是消息的的接收者。擁有大量粉絲的人，往往很少，這一部分的人是這個(gè)社交網(wǎng)絡(luò)的核心，是信息或者是消息的創(chuàng)造者，擁有更加強(qiáng)大的話語權(quán)。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。