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：

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”：

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？）

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：

把这几组数据合成了两张三维散点图：

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。

大V的热情在消退？

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？

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：

代码

 # coding:utf8
 # 抓取粉丝数过 1w 用户
 import requests
 import pymongo
 import time
 import pickle
 ​
 def get_ready(ch='user_pd',dbname='test'):
     '''数据库调用'''
     global mycol, myclient,myhp
     myclient = pymongo.MongoClient("mongodb://localhost:27017/")
     mydb = myclient[dbname]
     mycol = mydb[ch]
 get_ready()
 ss = mycol.find({})
 ​
 se = {1,} # 去重集合
 se2 = ['GOUKI9999','zhang-jia-wei'] # 爬取的列表
 # with open(r'C:\Users\yc\Desktop\used.txt', 'rb') as f: # 读取
 #     used = pickle.load(f)
 used={1,}
 sed = {}
 for s in ss:
     if s['follower_count']>=10000: # 粉丝数大于10000
         sed[s['user_id']] = sed.get(s['user_id'],0) + 1
         if sed[s['user_id']] == 1:
             se.add(s['user_id'])
             se2.append(s['user_id'])
 leng = len(se2)
 print(leng)
 proxies = {
     "http": "http://spiderbeg:pythonbe@106.52.85.210:8000",
     "https": "http://spiderbeg:pythonbe@106.52.85.210:8000",
 }
 headers = {
     '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',
     'cookie':'your_cookie（用户主页面）'
     }
 for i,url_id in enumerate(se2): # 爬取
     if i>=0:
         print(i,' ', end='') # url个数
     if url_id not in used: # 是否使用过
         used.add(url_id)
         nums = 500
         off = 0

         while True:
             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)
             r2 = requests.get(url2, headers=headers,proxies=proxies)
             time.sleep(0.5)
             c = 0
             if 'error' in r2.json():
                 if r2.json()['error']['code'] in {310000, 310001}:
                     break
                 else:
                     raise NameError('页面错误')
             used.add(url_id) # 判断是否使用
             for d in r2.json()['data']:
                 z = {}
                 c+=1
                 z['user_id'] = d['url_token']
                 z['name'] = d['name']
                 z['headline'] = d['headline']
                 z['follower_count'] = d['follower_count']
                 z['answer_count'] = d['answer_count']
                 z['articles_count'] = d['articles_count'] # if d['articles_count'] else 0
                 z['from'] = url_id # 谁的关注列表
                 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
                     se.add(d['url_token'])
                     se2.append(d['url_token'])
                     mycol.insert_one(z) # 插入数据
             if r2.json()["paging"]['is_end'] == False:
                 nums+=500
                 off+=500
             elif r2.json()["paging"]['is_end'] == True:
                 break
             else:
                 print(r2.json)
                 break