如何爬取了知乎用户信息,并做了简单的分析
爬虫:python27 +requests+json+bs4+time
- 分析工具: ELK套件
- 开发工具:pycharm
1.性别分布
- 0 绿色代表的是男性 ^ . ^
- 1 代表的是女性
- -1 性别不确定
可见知乎的用户男性颇多。
2.粉丝最多的top30
粉丝最多的前三十名:依次是张佳玮、李开复、黄继新等等,去知乎上查这些人,也差不多这个排名,说明爬取的数据具有一定的说服力。
3.写文章最多的top30
爬虫架构图如下:
说明:
- 选择一个活跃的用户(比如李开复)的url作为入口url.并将已爬取的url存在set中。
- 抓取内容,并解析该用户的关注的用户的列表url,添加这些url到另一个set中,雅思培训一般多少钱并用已爬取的url作为过滤。
- 解析该用户的个人信息,并存取到本地磁盘。
- logstash取实时的获取本地磁盘的用户数据,并给elsticsearch
- kibana和elasticsearch配合,将数据转换成用户友好的可视化图形。
五.编码
爬取一个url:
解析内容:
存本地文件:
代码说明:
- 需要修改获取requests请求头的authorization。
- 需要修改你的文件存储路径。
源码下载:点击这里,记得star哦!
- 打开chorme,打开https://www.zhihu.com/,
- 登陆,首页随便找个用户,进入他的个人主页,F12(或鼠标右键,点检查)
- 点击关注,刷新页面,见图:
- 可增加线程池,提高爬虫效率
- 存储url的时候我才用的set(),并且采用缓存策略,最多只存2000个url,防止内存不够,其实可以存在redis中。
- 存储爬取后的用户我说采取的是本地文件的方式,更好的方式应该是存在mongodb中。
- 对爬取的用户应该有一个信息的过滤,比如用户的粉丝数需要大与100或者参与话题数大于10等才存储。防止抓取了过多的僵尸用户。
关于elk的套件安装就不讨论了,具体见官网就行了。网站:https://www.elastic.co/
另外logstash的配置文件如下:
从爬取的用户数据可分析的地方很多,比如地域、学历、年龄等等,我就不一一列举了。另外,我觉得爬虫是一件非常有意思的事情,在这个内容消费升级的年代,如何在广阔的互联网的数据海洋中挖掘有价值的数据,是一件值得思考和需不断践行的事情。最后,本文仅用作交流学习。如果知乎告知我侵权,我会立刻删除本文。