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

 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:\Users\yc\Desktop\used.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:[email protected]:8000",
33     "https": "http://spiderbeg:[email protected]: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
01-08 18:29