关于
最近爬取了知乎1000万的用户数据,耗时一周。
使用 ElasticSearch + Kibana 实现数据存储,可视化。
数据爬取时间为 2019年7月(3-9)日
抓到的数据大部分都是资料不完善,以下分析会过滤掉资料为空的那部分。
涉及到性别:-1:未知,0:女, 1;男
本文思路参考 这里
数据分析
现居城市分布
可以看到北京上海用户数量领跑其它城市,所有城市都是男用户稍占多一点。出现了深圳,深圳市 还有 广州,广州市,因为在知乎的个人资料中,居住地这个选项是手动填写而不是选择。
(这里由于kibana用的不熟,暂时不知道怎么把合并,欢迎知道的朋友告知)
行业分布
可以看出互联网行业一骑绝尘,领先第二名一倍;而第二名计算机软件也是兄弟行业。比较有意思的是以行业划分的话,有比较多行业女性数量占优(高等教育、临床医学、创意艺术、财务、法律、基础教育、教育、广播电视、广告、培训)。而反观计算机软件、电子游戏、机械设备、电子电器、计算机硬件这些行业男性数量大幅占优。比较意外的是有这么多人从事电子游戏行业,超过了很多传统行业(当然有可能这个职业的人在知乎上比较活跃)。
职业分布
有了行业分布,我们顺便再看看按照职业划分如何。与参考文章不同的是,现在知乎上学生占比最多,可能是知乎当前目标群体为学生,加大校园推广力度。这里我理解是资本入股后的营收压力,使知乎选择了这样的战略。(另外软件工程师,前端,程序员和算法工程师那夸张的男女比例是什么鬼=.=)
学校分布
可以看到各高校间的差距并不是特别明显,跟现居城市相对应,北京的清北在前三占据两个席位。杭州在城市中排第三,浙大的学子功不可没。比较有意思的是 克莱登大学(“克莱登大学”原本是钱钟书先生小说《围城》里虚构的骗子学校),另外 中国传媒大学 是前50里边唯一女生数量比男生多的学校。
专业分布
看完学校,我们最后来看一下专业分布。计算机相关行业占据绝对优势,我想到原因有二:近年来市场对计算机相关人才需求巨大;同时计算机相关人员玩知乎占比较大。法学在前排是让我比较意外的。
关注者数量与回答数量
看了那么多各种类型的分布,我们来关注一些不一样的
这里列出了关注者数量前30的用户,第一知乎日报应该是知乎官方推荐的账号,张佳伟,丁香医生紧随其后。刘看山也是知乎官方账号,关注者数量似乎还在猛涨,从拉取数据到我写此文几天时间,关注数量涨了20w。轮子哥惊人的22k+回答数显得格外活跃(或许是机器人回答的,谁知道呢。另外经统计轮子哥是目前知乎上回答数量最多的)。
被赞数量与回答数量
再来看一下被赞的数量最多的有哪些人
可以看到张佳伟,丁香医生还是前排,轮子哥屈居第三。后面又好多用户回答数量并不多,同样收获了好多赞。看看这里面有没有你关注的人吧~
高校被赞与被收藏数量
再来对比一下哪些高校被赞数量最多。可以看出清北,浙大,复旦,上交,武大等Top N 学校影响力还是比较大的。另外克莱登大学很顽皮的排到的第三。
被关注者数量分布
看了那么多柱状图,搞个饼图来看一下被关注者数量分布,看看自己在知乎属于什么水平
可以看到大部分知乎用户是没人关注的,如果你拥有一个以上关注者,那么恭喜你打败了75.37%的知乎用户。看来还是很多人跟我一样,是一个知乎小透明~
来一个具体的表格
区间 | 人数 |
---|---|
0-1 | 6248540 |
2-10 | 1326050 |
11-50 | 430039 |
51-100 | 95009 |
101-500 | 119354 |
501-1000 | 25592 |
1001-10000 | 39441 |
10001-100000 | 5893 |
1000001+ | 745 |
用户活跃比率
数据里边有个is_active字段,看起来是一个时间戳。我猜这个字段记录的是用户最后一次登录时间,就这么拿来用咯。
这里从红色开始,逆时针依次是10天,一个月,三个月,半年,一年,两年,三年以上。
可以看出三个月内活跃用户大概占比30%,另外有30%用户近三年没登录过了。
专业分布词云
最后我们以一张词云结束本文,大伙可以看看自己专业在图中什么位置
结语
截止目前抓取了 9433740 条数据。今天7小时抓了不到5k条数据,数据增长已经非常缓慢了。带宽占用有10M左右,说明还是在不停的爬取,只是爬到的重复率已经很高了。余下的用户可能在不同的一片森林里,与目前爬取数据没有交集,或者根本就是0关注;也有可能数据接近爬完了。目前程序占了6G内存。今晚再观察一下,如果增长速率还是如此缓慢,明天就把它停掉了~
想了解更多爬取心路历程 请看这篇
这是我第一次搞数据爬取,不足之处请各大神多多指导。另外关于数据分析,各位可以想想更多不同的维度,得更有多有趣的内容。结尾附上一条抓取的数据样本。
{
"id": "0970f947b898ecc0ec035f9126dd4e08",
"url_token": "excited-vczh",
"name": "vczh",
"use_default_avatar": false,
"avatar_url": "https://pic1.zhimg.com/v2-1bea18837914ab5a40537d515ed3219c_is.jpg",
"avatar_url_template": "https://pic1.zhimg.com/v2-1bea18837914ab5a40537d515ed3219c_{size}.jpg",
"is_org": false,
"type": "people",
"url": "https://www.zhihu.com/people/excited-vczh",
"user_type": "people",
"headline": "专业造轮子,拉黑抢前排。gaclib.net",
"is_active": 1,
"description": "微博也看图(逃:<a href=\"https://link.zhihu.com/?target=http%3A//weibo.com/vczh\" class=\" external\" target=\"_blank\" rel=\"nofollow noreferrer\"><span class=\"invisible\">http://</span><span class=\"visible\">weibo.com/vczh</span><span class=\"invisible\"></span></a><br/>长期开发跨三大PC平台的GUI库<a href=\"https://link.zhihu.com/?target=http%3A//www.gaclib.net\" class=\" external\" target=\"_blank\" rel=\"nofollow noreferrer\"><span class=\"invisible\">http://www.</span><span class=\"visible\">gaclib.net</span><span class=\"invisible\"></span></a><br/>讨论QQ群:231200072(不闲聊)<br/>不再更新的技术博客:<a href=\"https://link.zhihu.com/?target=http%3A//www.cppblog.com/vczh\" class=\" external\" target=\"_blank\" rel=\"nofollow noreferrer\"><span class=\"invisible\">http://www.</span><span class=\"visible\">cppblog.com/vczh</span><span class=\"invisible\"></span></a>",
"gender": 1,
"is_advertiser": false,
"vip_info": {
"is_vip": false,
"rename_days": "60"
},
"badge": [],
"account_status": [],
"message_thread_token": "4874924000",
"allow_message": true,
"is_following": false,
"is_followed": false,
"is_blocking": false,
"is_blocked": false,
"is_force_renamed": false,
"follower_count": 797772,
"following_count": 3059,
"mutual_followees_count": 0,
"answer_count": 22811,
"question_count": 559,
"commercial_question_count": 0,
"articles_count": 128,
"columns_count": 6,
"favorite_count": 1,
"favorited_count": 389697,
"pins_count": 5244,
"logs_count": 2845,
"voteup_count": 2636286,
"thanked_count": 278948,
"hosted_live_count": 0,
"participated_live_count": 10,
"included_answers_count": 6,
"included_articles_count": 2,
"included_text": "编辑推荐和知乎日报",
"following_columns_count": 103,
"following_topic_count": 49,
"following_question_count": 39070,
"following_favlists_count": 11,
"vote_to_count": 0,
"vote_from_count": 0,
"thank_to_count": 0,
"thank_from_count": 0,
"business": {
"id": "19619368",
"type": "topic",
"url": "https://www.zhihu.com/topics/19619368",
"name": "计算机软件",
"avatar_url": "https://pic4.zhimg.com/e82bab09c_is.jpg"
},
"locations": [
{
"id": "19583552",
"type": "topic",
"url": "https://www.zhihu.com/topics/19583552",
"name": "西雅图(Seattle)",
"avatar_url": "https://pic1.zhimg.com/161f6ece791a4950ded3278fb74a2f9b_is.jpg"
}
],
"employments": [
{
"job": {
"id": "19578588",
"type": "topic",
"url": "https://www.zhihu.com/topics/19578588",
"name": "Developer",
"avatar_url": "https://pic4.zhimg.com/e82bab09c_is.jpg"
},
"company": {
"id": "19557307",
"type": "topic",
"url": "https://www.zhihu.com/topics/19557307",
"name": "Microsoft Office",
"avatar_url": "https://pic4.zhimg.com/v2-d3a9ee5ba3a2fe711087787c6169dcca_is.jpg"
}
}
],
"educations": [
{
"school": {
"id": "19599737",
"type": "topic",
"url": "https://www.zhihu.com/topics/19599737",
"name": "华南理工大学",
"avatar_url": "https://pic1.zhimg.com/4d0d193a9_is.jpg"
},
"major": {
"id": "19590324",
"type": "topic",
"url": "https://www.zhihu.com/topics/19590324",
"name": "软件学院",
"avatar_url": "https://pic3.zhimg.com/v2-b9bfb60588338c348cc23576ad6243bb_is.jpg"
}
}
],
"cover_url": "https://pic2.zhimg.com/v2-67b965aa94a92ed49b1a4205145b5cf4_r.jpg",
"avatar_hue": "",
"is_bind_sina": true,
"sina_weibo_name": "GeniusVczh",
"sina_weibo_url": "https://weibo.cn/u/1916825084",
"is_privacy_protected": false
}
以上,完...