文档章节

爬取知乎60万用户信息之后的简单分析

brianway
 brianway
发布于 2016/12/20 22:35
字数 1276
阅读 9465
收藏 325

爬取知乎60万用户信息之后的简单分析

标签 : webporter


[TOC]


使用 Java+Elasticsearch+Kibana 爬取了知乎 60 万用户数据,做了简单的可视化分析。


项目源码 GitHub - webporter

动机

在知乎上看到有个叫 @路人甲 的大神每隔一段时间就爬爬豆瓣/B站等等网站,做了很多有意思的分析,加上之前因为实验室项目接触过 Nutch,浅尝辄止了,所以一直想好好玩玩爬虫。

网上 Python 的爬虫教程很多,而自己的主语言是 Java,本着宣传 Java,以练促学的目的,我使用 Java 爬取了知乎 60 万用户信息,主要想看看知乎上妹子多不多啊/是不是都是基佬啊,标配常青藤/年薪百万是不是真的啊,等等。

思路

为了保证数据的质量,避免爬到一些僵尸号什么的,我选择爬取关注列表而非粉丝列表。我随机挑选了一位粉丝过千的优秀回答者作为起始,爬取他的关注列表,再对列表中的每个人爬取其关注列表,以此类推……

下载了大概 7 个小时,爬了 40 多万用户的关注列表,拿到了 10G 的数据,如图所示:

爬取10G数据

理论上有 800 多万用户,可惜有很多重复的,去重后将数据导入 Elasticsearch,得到 60+ 万用户数据:

ES索引

数据验证

接下来简单看看下载下来的数据靠不靠谱,随手在知乎和我的 Kibana 分别搜了下轮子哥 @vczh

搜索轮子哥

搜索轮子哥

可以看到,连同名的都搜出来是一样的,数据没啥问题。

关心的数据

然后使用 Elastichearch 的聚合查询配合 Kibana 对数据进行可视化展示,我主要分析了下面几个问题:

  • 性别分布
  • 粉丝最多的用户top10
  • 员工最多的公司top10
  • 校友最多的学校top10
  • 人数最多的地方top10
  • top10行业分布
  • top10职业分布

图中涉及性别的, 1 表示男,0 表示女,-1 表示不男不女

性别分布

性别分布

可以看到知乎男性人数过半了,比女性和未知性别加起来都多。

粉丝最多的用户top10

粉丝最多的用户top10

粉丝数前 10 的依次是 @张佳玮,@李开复,@黄继新,@周源,@yolfilm,@张亮,@张小北,@李淼,@葛巾,@采铜。最多的 120 万粉丝,第十也过 60 万了。不过前十里好几个都是知乎员工,有黑幕的嫌疑吧?

员工最多的公司top10

员工最多的公司top10

可以看到 BAT 全部上榜了(乱入了一个学生什么鬼?),仅接着是网易,华为,谷歌,微软,美团。都是牛逼哄哄的互联网相关企业,看来国企和实体企业比较低调,不在知乎填公司信息啊。

另外华为的男女比简直不能看啊,妹子那么少,想去华为的单身狗们需要好好考虑一下了。

校友最多的学校top10

校友最多的学校top10

差强人意,校友人数排名前十的全特么是 985 啊,清北复交浙全部上榜,俨然中国大学排行榜。看来知乎标配不是常青藤,而是 985 嘛。另外可以看到,我科(倒数第三个)的男女比在这几个里面确实感人,难怪我现在还单身...

人数最多的地方top10

人数最多的地方top10

北京独领风骚,上海紧随其后。另外知乎居然把深圳和广州根据有没有“市”标记为了两个城市,简直坑爹,我也懒得二次处理了。综合来看,北上广深杭,主要集中在这五个城市,基本也是我国互联网企业分布最多的几个城市。

top10行业分布

top10行业分布

可以看到,互联网和计算机软件两个加起来就占了半数以上,要是算上电子商务和电子游戏等基本是程序员的天下了,所以知乎上程序员偏多,IT 从业者占主流啊。

另外互联网的男女比大概 2:1 的样子吧,法律,信息传媒和创意艺术的男女比比较均衡,大概五五开。

top10职业分布

top10职业分布

将近四分之一是产品经理,创始人和 CEO 也不少,比工程师还多,学生也占一定比例。另外除了运营和编辑的男女比差不多,其它都是男多女少啊。

结语

从这 60 万用户数据可以看出,知乎的主要群体是程序员和学生,平均学历 985 不是黑,是真的!虽然知乎用户远不止 60 万,这些数据分析出来的结果可能有些偏差,但应该也能说明一些问题吧。

最后按照国际惯例,附上源码,GitHub - webporter


作者@brianway更多文章:个人网站 | CSDN | oschina

© 著作权归作者所有

共有 人打赏支持
brianway
粉丝 314
博文 97
码字总数 130139
作品 0
武汉
后端工程师
私信 提问
加载中

评论(49)

zanglaowei
zanglaowei
哈哈
香樟树下
怎么爬的,分享一下完整过程吧!
Lunke
Lunke

引用来自“dipsey”的评论

这些被关注的,理论上属于活跃用户,是少数人,平均985是可能的。那些非985,属于沉默的大多数。

@younix 赞同
专业写BUG的程序员
专业写BUG的程序员
🎉
shitalpig
shitalpig

引用来自“simawei”的评论

有点意思,我只用爬虫抓了点视频外链,magnet种子。。而且是php的,效率感人

php不是比Java的性能好很多吗
国栋
国栋
good!喜欢这种用数据说话的文章。
abcijkxyz
abcijkxyz
知乎潜水五年
manyu2016
manyu2016
现在爬虫怎么这么火?都在讨论这个,爬虫和采集有啥区别
manyu2016
manyu2016
现在爬虫怎么这么火?都在讨论这个,爬虫和采集有啥区别
manyu2016
manyu2016
现在爬虫怎么这么火?都在讨论这个,爬虫和采集有啥区别
Java爬虫抓取知乎20万用户信息并做简易分析

前段时间看@路人甲 分享了一篇爬取知乎用户的文章,心血来潮,想着也该把自己很早写的知乎爬虫完善一下 趁着每天实习回来还有点时间,整理了下思路和原来的代码 因为自己不太爱用框架,所以爬...

KKys
2017/01/21
0
0
Java 知乎爬虫

目标 爬取知乎用户信息,并作简要分析。所爬的对象是的用户,因为: 关注者数量<10的用户,很多的僵尸用户、不活跃用户 我爬虫的目的也不是大而全,高质量用户更有分析意义 整体思路 JDK 环境...

被称为L的男人
2017/12/03
0
0
知乎上8个100K+高赞回答(筛选自63万个回答)

最近知乎首页上老是看到这个话题:《知乎上的高票答案就是好的吗?》,很好奇目前高赞回答都有哪些?各有多少赞同数?于是继续这些天爬知乎数据的节奏,以大小V主页的回答为爬取入口(按赞同...

Deserts_X
2017/10/27
0
0
知乎320万用户的个人信息分析与可视化

Part 1: 动机 作为一个知乎的重度用户,我深深的被知乎社区的高素质群体所吸引,这也是我在微信朋友圈、新浪微博、baidutieba等社区见不到的东西。那么为什么知乎这个社区的群体素质偏高呢,...

YoghurtIce
2015/12/22
0
0
爬虫课程(十一)|知乎:使用Scrapy模拟登录知乎

前面爬虫课程七、八、九、十,我把爬虫豆瓣读书的爬虫讲解完毕啦,我们很顺利地爬取了豆瓣读书书籍内容,爬取过程中也不需要用户登陆。 然而,有些时候,我们要爬取某些信息时是需要我们在登...

小怪聊职场
2017/11/10
0
0

没有更多内容

加载失败,请刷新页面

加载更多

深入理解Java PriorityQueue

ava中PriorityQueue通过二叉小顶堆实现,可以用一棵完全二叉树表示。本文从Queue接口函数出发,结合生动的图解,深入浅出地分析PriorityQueue每个操作的具体过程和时间复杂度,将让读者建立对...

java菜分享
20分钟前
2
0
玩手机与做实验

看过这样一个故事:说的是在二十世纪二十年代初的一个深夜,担任英国剑桥大学卡文迪许实验室主任的卢瑟福来实验室检查,发现一位学生还在做实验。卢瑟福就问他:“你上午做什么了?”学生回答...

Bob2100
31分钟前
2
0
Kafka流式处理

Kafka Streams 初识流式处理 什么是数据流 数据流(也叫事件流)是无边界数据集的抽象表示。无边界意味着无限和持续增长。无边界数据集之所以是无限的,是因为随着时间的推移,新记录会不断加...

东都大狼狗
40分钟前
4
0
Mysql主从复制(拓展博客文章扩充知识面)

#不停库不锁表在线主从配置 使用 Xtrabackup 在线对MySQL做主从复制 1.数据量大的话还是建议使用工具例如xtrabackup,mysqldump比较适合操作10G以下的数据备份复制。 2.做业务之前考虑清楚具...

robertt15
44分钟前
2
0
docker快速搭建几个常用的第三方服务

本次和大家分享的内容是使用docker快速搭建工作中常用的第三方的服务,对于有一些互联网背景的公司来说,以下几个服务都是很需要的:redis,rabbit,elasticsearch; 如果想学习Java工程化、...

编程SHA
今天
9
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部