很可惜 T 。T 您現在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經錄用會有專人和您聯系
咨詢如何成為春羽作者請聯系：鳥哥筆記小羽毛（ngbjxym）
一、前言
作為簡書上第一篇文章，先介紹下小背景，即為什么爬知乎第一大V張公子的138w+關注者信息？
其實之前也寫過不少小爬蟲，按照網上各種教程實例去練手，“不可避免”的爬過妹子圖、爬過豆瓣Top250電影等等；也基于自身的想法，在浙大120周年校慶前，聽聞北美帝國大廈首次給大陸學校亮燈，于是爬取2016-2017年官網上每日的亮燈圖并用python的PIL庫做了幾個小logo，算是一名吃瓜群眾自發(fā)的慶賀行為；（更多照片見于：Deserts-X 我的相冊-北美帝國大廈亮燈圖：ZJU_120 logo）
https://www.douban.com/photos/photo/2459391373/
北美帝國大廈亮燈圖：ZJU120
也因為喜歡魯迅的作品，爬過在線魯迅全集的全部文章標題和鏈接；另外聽說太祖的某卷書是****，于是順帶也爬了遍毛選；還幫老同學在某票據網站下線前爬了大部分機構、人員信息，說是蠻值錢，然而也還在留著落灰......
微博簽到數據點亮中國
再是知道百度Echarts開源的可視化網站里面的圖很酷炫，比如使我著迷的：微博簽到數據點亮中國，http://echarts.baidu.com/demo.html#scatter-weibo 于是想著可以爬取微博大明星、小鮮肉的粉絲的居住地，然后搞搞怎么畫出全國乃至全球分布情況。但發(fā)現幾年前微博就限制只能查看200左右粉絲數（具體忘了），蠻掃興的，于是將目光轉向了知乎......
而既然要爬，那就爬關注人數最多的張公子吧，數據量也大，這方面是之前小項目所不及的，此前也看過不少爬知乎數據與分析的文章，因此也想練練手，看看大量訪問與獲取數據時會不會遇到什么封IP的反爬措施，以及數據可視化能搞成什么樣。
不過此文在爬蟲部分不做過多展開，看情況后續(xù)再另寫一文。思路如下：抓包獲取張佳瑋主頁關注者api，然后改變網址中offset參數為20的倍數，一直翻頁直到獲取138w+關注者信息，其中返回的json數據主要有：關注者的昵稱、主頁id（即url_token）、性別、簽名、被關注人數等，也就是說需要訪問所有主頁id，才能獲取更多信息（個人主頁api：以黃繼新為例）：居住地、所在行業(yè)、職業(yè)經歷、教育經歷、獲贊數、感謝數、收藏數等等。鑒于還不怎么會多進程爬取，如果把所有id再爬一遍會非常耗時間，于是篩選被關注數100+的id，發(fā)現只剩了4.1w+，之后較完整提取了這部分的信息，后續(xù)可視化也多基于此。
爬取信息一覽
二、數據可視化
1、關注人數
大V總是少數的，而小透明到底有多少、分布情況如何呢？將關注人數劃分成不同區(qū)間，繪制成如下金字塔圖：
作為一只小透明，在此過程中發(fā)現自己處于前2w的位置，即圖中紅色區(qū)域，還是蠻吃驚的。上文已提到100+關注就超過了134w的用戶，而1k+、1w+、10w+就越來越接近塔尖，越來越接近張公子的所在，看上圖10w+以上的區(qū)域，如同高聳入云，渺然不可見，“亂山合沓，空翠爽肌，寂無人行，止有鳥道”，令小透明很是神往。
上升之路雖然崎嶇，但也同樣說明只要多增幾個關注，就勝過了數以萬計的用戶，這對于有志于成為大V的人，或許能在艱難的前行之路上，靠此數據透露的信息，拾得些許信心。
細看底部的區(qū)間，0關注有40.2w+，1-10關注有76.6w+，區(qū)分度已赫然形成，但小透明可能感受不出，那怕有幾百的關注，何嘗不會覺得自己依舊是個小透明呢？有誰會相信斬獲10人關注，就超過了100w+的用戶，數據能告知人經驗之外的事實，在此可見一斑。當然知乎大量用戶涌入且多數人并不產生優(yōu)質或有趣的回答，也是一二原因。
繼續(xù)看100+以上的數據，底部占比依舊明顯，塔尖依然很小。
2、性別情況
接著對100+關注人群的性別組成進行分析，發(fā)現男女比例基本維持在2:1，與138w+用戶的男女比例差別不大。當然10w+關注由于人數較少，比例超過3:1，是否能得出男性在這方面更為優(yōu)秀就不得而知了。
3、10w+大V
前文已多次提到10w+大V，那么這190人里到底都有誰呢？這里以關注人數為權重，生成詞云如下：
大家上知乎的話應該也有關注一些大V，許多名字應該并不陌生，比如馬伯庸、動機在杭州、葛巾、朱炫、丁香醫(yī)生等等，當然也會發(fā)現并不是所有大V都關注了張公子，哪怕他是知乎第一人，目前已交出了3026個回答，135個知乎收錄回答的傲人成績（據說也是豆瓣和虎撲第一人）。
4、居住地分布
終于到了我最初開始這個項目時，最想獲取的的信息了。雖然由于爬取效率而篩選掉了100關注以下的id共134w，數據量方面不如標題所示的那么多，略有遺憾，但其實真的拿到4.1w+條較優(yōu)質數據時，發(fā)現處理起來也并不容易。
比如這里的居住地信息，有亂填水星、火星、那美克星，也有填國家、省份、縣市、街道格式不一的，還有諸如老和山之類外行人不明白的“啞謎”等等，數據之臟令人頭疼，且純文本的數據又不像數字類可以篩選、排序，還沒想到好的方式應對。再者Echarts官網雖然有不少可以套用的模板，但有很多地方的經緯度需要重新獲取，這樣就在數據處理和地圖上定位有兩處難題需要解決。
由于第一次處理這類數據并可視化，第一次用Echarts就打算畫這個酷炫的地圖，因此最終先縮小數據量，還是以1w+大V的數據來可視化，目前先完成國內分布情況，以后看情況再擴大數據量和繪制全球分布情況。
其中出現次數排名前幾的城市依次為：北京 360，上海 183，深圳 55，杭州 52，廣州 47，成都 26，南京 20......應該算是意料之中的。考慮到并不是每個人對這些點所代表的城市都熟悉，加上城市名，效果如下，重疊較為嚴重，顯示效果不夠好，仍需解決。
5、Top20 系列
接下來分別對所在行業(yè)、職業(yè)經歷、教育經歷等進行分析，結果如下（注：用戶有多條職業(yè)經歷或教育經歷的，僅爬取了最新的一條數據）：
學校方面幾乎全為985、211高校，當然拿得出手的會樂于寫上，略微差些的可能不會填寫，而且涌入用戶多了后，這類數據也就只是調侃知乎人人都是985高校，年薪百萬的點了。所在行業(yè)方面，互聯網遙遙領先，計算機軟件、金融、高等教育位居前四。
Top20 公司中BAT、網易、華為、小米科技、美團網以及谷歌、Facebook、微軟等大廠都悉數在列。再看Top20 職業(yè)里除了各種名號的程序員、產品經理、運營等互聯網職業(yè)，創(chuàng)始人、CEO等占據前排，不可謂不令人大驚從早到晚失色。
6、認證信息
原本只知道博士可以提供信息得到認證，知乎也會給予其回答更好的顯示途徑，使其更容易成長為大V，以此作為對高學歷人群、優(yōu)質用戶的獎勵。
此次抓取的100+關注4.1w+條數據中有208條認證信息。除卻各種專業(yè)的博士、博士后外，還有37家公司、機構，9條醫(yī)師，11條教授/講師/研究員，13條CFA、CPA持證人或工程師、建筑師，以及副總裁、創(chuàng)始人、記者、律師、WCG2005-2006魔獸爭霸項目世界冠軍、職業(yè)自行車手、主持人、作家等等?？磥磉€是有不少可以后續(xù)去了解下優(yōu)質用戶的。
7、優(yōu)秀回答者
除了認證信息外，優(yōu)秀回答者這是鑒別某用戶是否為優(yōu)質用戶，是否值得關注的一個重要指標。包含張佳瑋在內，共有468位優(yōu)秀回答者，涉及257個話題，共出現768人次優(yōu)秀回答者標簽。
涉及的257話題詞云
而所有優(yōu)秀回答者貢獻的回答和知乎收錄回答情況如下：
最右上角的便是張佳瑋的貢獻情況，令人望塵莫及。也有不少用戶貢獻了上千個回答，可以說是非常高產。但大部分用戶回答數<1000，收錄數<50。因此對此區(qū)域放大，可見：
有不少數據收錄回答為0，因為還不知道知乎優(yōu)秀回答者的評判標準，所以此處還需進一步了解。另外這些數據點，對應的加上一些大V名字可能顯示起來能好，但一直在摸索，還不得要領。
三、小結
本項目是個人第一次百萬級數據的爬取，當然由于爬取效率方面需要改進，所以詳細用戶信息選擇性的只爬了100+關注人數共4.1w+的id。另外也是第一次數據可視化，從完全不懂Echarts的各種參數，硬剛配置項，到勉強獲得了上述還算能看的一些數據圖，不少地方還需進一步學習、改進，以求獲得更合乎要求的、理想的、自定義的可視化圖。
另外，除卻上述數據外，還有點贊數、感謝數、收藏數、關注數和被關注數、簽名、個人簡介等等數據并未處理，但基本想要獲取的圖都得到了，算是完成了此項目，也學到了很多東西。
作者：Deserts_X
來源：中國統計網（ID：cntongji）
本文為作者授權鳥哥筆記發(fā)布，轉載請聯系作者并注明出處。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經允許不得轉載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質量內容的交流平臺。為落實國家互聯網信息辦公室“依法管網、依法辦網、依法上網”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據本公約中的條款對注冊用戶和發(fā)布在本平臺的內容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質內容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網絡信息。
一、根據《網絡信息內容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內容；
2. 不友善：不尊重用戶及其所貢獻內容的信息或行為。主要表現為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網站秩序的內容，或進行相關行為。主要表現為：
1)多次發(fā)布包含售賣產品、提供服務、宣傳推廣內容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內容；
4)多次發(fā)布包含欺騙性外鏈的內容，如未注明的淘寶客鏈接、跳轉網站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產品、品牌等內容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網站秩序的推廣內容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內容，如通過偽造經歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內容審核的廣告內容。
4. 色情低俗信息，主要表現為：
1)包含自己或他人性經驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內容；
4)帶有性暗示、性挑逗等易使人產生性聯想；
5)展現血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內容。
5. 不實信息，主要表現為：
1)可能存在事實性錯誤或者造謠等內容；
2)存在事實夸大、偽造虛假經歷等誤導他人的內容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯。
6. 傳播封建迷信，主要表現為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治?。?br /> 2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現為：
1)以各種夸張、獵奇、不合常理的表現手法等行為來誘導用戶；
2)內容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內容，主要表現為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網絡生態(tài)造成不良影響的其他內容。
二、違規(guī)處罰
本網站通過主動發(fā)現和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內容質量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內容時，本網站將依據相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內容時，本網站將加重處罰。
三、申訴
隨著平臺管理經驗的不斷豐富，本網站出于維護本網站氛圍和秩序的目的，將不斷完善本公約。
如果本網站用戶對本網站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網站進行反饋。
(規(guī)則的最終解釋權歸屬本網站所有)