Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/elliotxx/zhihu-crawler-people
A simple distributed crawler for zhihu && data analysis
https://github.com/elliotxx/zhihu-crawler-people
crawler python python-crawler spider web-crawler web-spider
Last synced: 7 days ago
JSON representation
A simple distributed crawler for zhihu && data analysis
- Host: GitHub
- URL: https://github.com/elliotxx/zhihu-crawler-people
- Owner: elliotxx
- License: gpl-2.0
- Created: 2017-07-31T10:10:27.000Z (over 7 years ago)
- Default Branch: master
- Last Pushed: 2022-12-07T23:58:34.000Z (about 2 years ago)
- Last Synced: 2025-01-09T04:14:05.073Z (14 days ago)
- Topics: crawler, python, python-crawler, spider, web-crawler, web-spider
- Language: Python
- Homepage:
- Size: 183 KB
- Stars: 193
- Watchers: 12
- Forks: 90
- Open Issues: 3
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
## zhihu-crawler-people
一个简单的分布式知乎爬虫，抓取知乎用户个人信息。
使用该爬虫做的数据分析：[大数据报告：知乎百万用户分析](http://yangyingming.com/article/389/)
**该爬虫的解析**：[如何写一个简单的分布式知乎爬虫？](http://www.yangyingming.com/article/392/)
### 依赖
* BeautifulSoup
* pymongo
* redis
* requests
### 安装
* 搭建主机数据库：MongoDB + Redis。
* 搭建代理池 [qiyeboy/IPProxyPool](https://github.com/qiyeboy/IPProxyPool)
* 修改 common.py 18行，配置数据库。如果你设置了权限认证，那么请修改注释部分的认证信息，并去掉注释。
```
# 数据库设置
redis_host = 'your_ip' # redis 主机地址
redis_port = 6379 # redis 主机端口
# redis_pwd = 'your_password' # redis 访问密码
mongo_host = 'your_ip' # mongodb 主机地址
mongo_port = 27017 # mongodb 主机端口
# mongo_user = 'your_user' # mongodb 登陆用户
# mongo_pwd = 'your_password' # mongodb 用户密码
```
* 修改 ProxyIP.py 8行，配置代理池请求IP。
```
host = 'http://your_proxy_pool_ip:8000' # 代理池请求IP
```
* 如果你设置了数据库的权限认证，那么请将 info_crawler.py、list_crawler.py、test_speed.py 中 Init() 函数的连接数据库部分替换成注释中的代码。
### 分布式爬虫架构
redis 中设置五个集合：**待抓取节点集合** 和 **个人信息抓取成功节点集合** 和 **个人信息抓取失败节点集合** 和 **列表抓取成功节点集合** 和 **列表抓取失败节点集合**。
它们在 Redis 中分别命名为 **waiting / info\_success / info\_failed / list\_success / list\_failed**。
它们的关系为：
**个人信息抓取进程** 从 待抓取节点集合 中随机取出一个节点，抓取该节点代表的用户信息。如果抓取成功，加入 个人信息抓取成功节点集合，如果抓取失败，加入 个人信息抓取失败节点集合。
**列表抓取进程** 从 个人信息抓取成功节点集合 中随机取出一个节点，抓取该节点的 follower 列表。如果抓取成功，加入 列表抓取成功节点集合，如果抓取失败，加入 列表抓取失败节点集合。
整个分布式架构采用 **主从结构**：主机维护的数据库，配合从机的 info_crawler 和 list_crawler 爬虫程序，便可以循环起来：info_crawler 不断从 waiting 集合中获取节点，抓取个人信息，存入数据库；list_crawler 不断的补充 waiting 集合。
主机和从机的关系如下图：
### 大数据报告：知乎百万用户分析
使用该爬虫做的数据分析，全文见：[大数据报告：知乎百万用户分析](http://yangyingming.com/article/389/)
#### 知乎的男女比例？
首先来看看知乎用户的男女比例，以当前样本数据统计的结果接近 **1:1**，其中男生偏多一些。（其实还有很大一部分性别不明的用户，被我略掉了 ╮(╯▽╰)╭）
**蓝色为男生，红色为女生**。具体数据为：
男生：1,202,234 人，占 51.55%
女生：1,129,874 人，占 48.45%
#### 知乎用户都是哪里人？
再来看看**全国（全球？）都有哪些地方的人在玩知乎**：
由上图可以看到，**知乎用户中一线城市用户占较大的比重**，北上广深皆在词云的中心位置（文字越大，比重越大）。我们再来看看具体的排名（前十名）：
知乎用户居住地前十名依次是：**北京、上海、杭州、成都、南京、武汉、广州、深圳、西安、重庆**。
你可能发现了Y坐标里每座城市的用户数并不多，这是因为有大概260万的知乎没有填写“居住地”这一栏~ 以下分析也有可能出现用户没有填写某一栏信息的情况，我会把这些用户忽略掉，以保证展示图表的准确性。
#### 知乎的职业分布？
以下显示**知乎主流职业**，同样根据知乎用户个人信息里填写的职业为准：
由上图可以看到，知乎用户中**学生用户占据多数**，其它的比如产品经理、程序员、运营、HR数量也不少。我们看一下具体的排名（前十名）：
由上图可以看到，知乎用户中“学生”的比重独占鳌头，我们把“学生”去掉，来看看**正经些的知乎职业排名**：
去除学生后，知乎主流职业比重从大到小依次是（前十名）：**产品经理、自由职业、程序员、工程师、设计师、腾讯、教师、人力资源（HR）、运营、律师**。可以看到，除了一些互联网公司的常见职位外，教师和律师用户在知乎中也占据不小的比重。
下面我们结合 **性别** 和 **居住地** 来分析一下知乎的主流职业。
**知乎主流职业的性别分布**：
上面这张饼图的内圈表示各主流职业在前十名中所占的比重，外圈表示该职业从业者中的男女比例，蓝色为男性，红色为女性。我们再用一张直方图来表示：
同样蓝色代表男性，红色代表女性，从左到右的职业在知乎中的数量依次下降。可以看到，**知乎大部分主流职业中主要为男性占主导**。前 10 名的主流职业中有 8 个职业的男性从业者比女性多，其中以 **程序员** 的男女比例差距最为悬殊（-_-|||），以 **设计师** 男女比例差距最小，看来设计师从业人员男女比例较为均衡。其它的，比如产品经理、自由职业者、律师中，均为男性从业者多于女性。而前 10 名剩下的 2 个职业——**教师、人力资源（HR）**——女性从业者要多于男性，其中以 **人力资源（HR）** 男女比例差距最为悬殊，**教师**的男女比例虽不那么夸张，但女性也远远多于男性（也许是因为男性教师不怎么上知乎？）。
看完了知乎各职业的性别分布，我们再用一张热力图，来观察**知乎主流职业（前五名）在各个地区的分布情况**：
这里我为了展示方便，**去掉了产品经理**，你只需要知道产品经理在各地人数都是最多的…… 不明白知乎上怎么这么多产品经理，可能是为了方便宣传他们的产品？
从上图可以看出，知乎各主流职业大部分集中在**北京和上海**两地，更准确地说，大部分都集中在北京，但是**人力资源（HR）**是个例外，他们更多集中在上海。我们再来看看其他职业，**程序员**分布最多的城市依次是：**北京、上海、广州、杭州、厦门**。北京占得比重最大，简直绿的发黑，看来北京是程序员的天堂？其中深圳没有上榜，让我很奇怪。**设计师**分布最多的城市依次是：**北京、上海、杭州、深圳、武汉**。设计师的地区分布比较平均，各个城市都有一定数量。
#### 知乎的高校用户
知乎中学生用户占很大的比重，我们来看看**他们都来自哪些学校**！词云中字体越大，表示所占比重越大。
我们再列出详细的比重排名：
以上展示的结果不一定准确，可能有很大一部分学生用户没有填写自己的学校。仅从上图可以看出，知乎活跃高校用户从大到小依次是：**浙江大学、武汉大学、华中科技大学、中山大学、北京大学、上海交通大学、复旦大学、南京大学、四川大学、清华大学**。
既然分析到学校了，我们顺便看看**各高校的男女比例**，嘿嘿。
发现一个有意思的现象，各高校大部分都是男生在玩知乎……
再看一下**哪些高校在知乎获得的赞数最多**：
第一是同济大学，土木工程，恩，这是哪位大佬撑起来的；第二是华南理工大学，软件工程，这个我知道，轮子哥是皇家理工的嘛；第三，重庆第一工程尸培训基地，恩？？？这是什么鬼（黑人问号）；继续往后看，恩……？？家里蹲大学？？！！还有一个兰州大学，牛肉面工艺专业？？？WHAT？？！！∑(っ°Д°;)っ
知乎大佬都这么调皮吗……
这个图似乎不太准，大家忽略就好……
我们再来看看**各地区有哪些高校是知乎重度用户**：
北京玩知乎最多的高校依次是：**北京大学、北京邮电大学、中国传媒大学、中国人民大学、清华大学**。
上海玩知乎最多的高校依次是：**上海交通大学、复旦大学、同济大学、上海大学、上海财经大学**。
杭州玩知乎最多的高校依次是：**浙江大学、浙江工业大学、杭州电子科技大学、浙江大学,计算机科学、浙江大学,软件工程**。浙江大学是重度用户啊……
成都玩知乎最多的高校依次是：**电子科技大学、四川大学、西南交通大学、电子科技大学,软件工程、四川师范大学**。
广州玩知乎最多的高校依次是：**中山大学（SYSU）、华南理工大学（SCUT）、华南农业大学(SCAU)、广东外语外贸大学、广东工业大学**。
我们再来看一下**知乎各高校用户的活跃程度**，按每个学校用户回答问题的总数排名：
排名依次是：**武汉大学、浙江大学、中山大学、华南理工大学、北京大学、华中科技大学、复旦大学、上海交通大学、西北农林科技大学**。
好了，高校分析告一段落，我们再来看看知乎用户的各类排名。
#### 知乎赞数最多的100位大V
下图中词云的字越大，表示收到的赞数越多：
我们再来一张直方图，配合着看：
**张佳玮**大大无可争议的获得第一名，360+万赞，恐怖。其次是**马前卒、唐缺、vczh、肥肥猫、朱炫、Seasee Youl、ze ran、鬼木知、豆子**。知乎获赞总数前五名有两位都是作家（张佳玮和唐缺），看来作家在知乎回答问题获赞方面还是很吃香，果然表达能力是观点获得认可的一个重要支撑 。
#### 知乎关注者最多的100位大V
下图词云的字越大，表示关注者越多，看看有没有你熟悉的大V 呢？：
同样我们配合着一张直方图来看：
知乎关注人数最多的前10位大V依次是：**张佳玮、李开复、黄继新、周源、张亮、张小北、李淼、朱炫、葛巾、田吉顺**。这些是知乎真正的大V，关注者数量极多。关注者最多的张佳玮有137万粉丝（抓取时），他的粉丝还在不断上涨，到现在已经有138万粉丝。关注者最少田吉顺也有57万粉丝，轮子哥（vczh）稍微少一些，排在第11位。
#### 知乎回答问题最多的100位大V
这些大V在知乎很活跃…… 下图词云文字越大，表示回答问题数量越多。
具体的排名为：
知乎回答问题数最多的10位大V从大到小依次为：**vczh、李东、赵钢、另一只袜子、四海之内、M3小蘑菇、kun yu、白猫转转风、yskin、肛里拉出个电锯**。微软的工作貌似很闲，看轮子哥（vczh）整天刷知乎……
我们再来加上这几位用户在知乎的获得的赞数，看看**“回答问题的数量”**和**“获得的赞数”**之间有没有什么联系：
由上图我们可以粗略的得出结论，**回答问题的数量和获得赞数的关系没有很大**。上图中只有 kun yu 和 vczh 回答问题的数量和获赞数基本持平，榜单前十名的其它用户获得赞数虽然也不少，但和他们回答问题数量的排名比起来，还不在一个量级上。这从侧面也说明了一个问题，**回答问题的质量更加重要，某些高质量的会更容易吸引用户点赞**。
#### 知乎参加live最多的100位大V
我们再来看一个有意思的统计，**知乎参加 live 最多的100位用户**，以及他们最多参加过多少场 live。（live 是知乎推出的一种类似于直播的问答形式，大V开一场 live，分享他所在领域的知识，用户买门票参与 live，是一种知识变现的方式）
再来看看他们最多参加过多少场 live：
最多的那个大V竟然参加过 1600+ 场 live，真的很有精力和金钱，哈哈。
### 参考资料
Python操作redis（python client 操作）
http://www.cnblogs.com/melonjiang/p/5342505.html
Redis集合（redis 控制台操作）
http://www.yiibai.com/redis/redis_sets.html
Redis系列-存储篇set主要操作函数小结（redis 并集操作，可以将一个 set 数据移动到另一个 set）
http://blog.csdn.net/love__coder/article/details/8497497
Redis数据备份与恢复
http://www.cnblogs.com/qinghub/p/5909921.html
MongoDB入门（3）- MongoDB备份与恢复
http://www.cnblogs.com/wardensky/p/5799276.html
MongoDB 如何修改数据库名称
https://segmentfault.com/q/1010000000694527