《data analysis & viz》
作為本專欄第一篇文章，先介紹下小背景，即為什麼爬知乎第一大v張公子的138w+關注者資訊？
其實之前也寫過不少小爬蟲，按照網上各種教程例項去練手，「不可避免」的爬過妹子圖、爬過豆瓣top250電影等等；也基於自身的想法，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，於是爬取
2016-2023年官網上每日的亮燈圖並用python的pil庫做了幾個小logo，算是一名吃瓜群眾自發的慶賀行為；（更多**見於：
deserts-x 我的相簿-北美帝國大廈亮燈圖：zju_120 logo）
微博簽到資料點亮中國，於是想著可以爬取微博大明星、小鮮肉的粉絲的居住地，然後搞搞怎麼畫出全國乃至全球分布情況。但發現幾年前微博就限制只能檢視200左右粉絲數（具體忘了），蠻掃興的，於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，資料量也大，這方面是之前小專案所不及的，此前也看過不少爬知乎資料與分析的文章，因此也想練練手，看看大量訪問與獲取資料時會不會遇到什麼封ip的反爬措施，以及資料視覺化能搞成什麼樣。
不過此文在爬蟲部分不做過多展開，看情況後續再另寫一文。思路如下：抓包獲取張佳瑋主頁
關注者api，然後改變**中offset引數為20的倍數，一直翻頁直到獲取138w+關注者資訊，其中返回的json資料主要有：關注者的暱稱、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，才能獲取更多資訊（
個人主頁api：以黃繼新為例）：居住地、所在行業、職業經歷、教育經歷、獲讚數、感謝數、收藏數等等。鑑於還不怎麼會多程序爬取，如果把所有id再爬一遍會非常耗時間，於是篩選被關注數100+的id，發現只剩了4.1w+，之後較完整提取了這部分的資訊，後續視覺化也多基於此。
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間，繪製成如下金字塔圖（本圖已於最近更新，增加餅圖後變成組合的圖）：
作為乙隻小透明，在此過程中發現自己處於前2w的位置，即圖中紅色區域，還是蠻吃驚的。上文已提到100+關注就超過了134w的使用者，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+以上的區域，如同高聳入雲，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。
上公升之路雖然崎嶇，但也同樣說明只要多增幾個關注，就勝過了數以萬計的使用者，這對於有志於成為大v的人，或許能在艱難的前行之路上，靠此資料透露的資訊，拾得些許信心。
細看底部的區間，0關注有40.2w+，1-10關注有76.6w+，區分度已赫然形成，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+的使用者，資料能告知人經驗之外的事實，在此可見一斑。當然知乎大量使用者湧入且多數人並不產生優質或有趣的回答，也是一二原因。
繼續看100+以上的資料，底部佔比依舊明顯，塔尖依然很小。
接著對100+關注人群的性別組成進行分析，發現男女比例基本維持在2:1，與138w+使用者的男女比例差別不大。當然10w+關注由於人數較少，比例超過3:1，是否能得出男性在這方面更為優秀就不得而知了。
前文已多次提到10w+大v，那麼這190人裡到底都有誰呢？這裡以關注人數為權重，生成詞云如下：
大家上知乎的話應該也有關注一些大v，許多名字應該並不陌生，比如馬伯庸、動機在杭州、葛巾、朱炫、丁香醫生等等，當然也會發現並不是所有大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）。
終於到了我最初開始這個專案時，最想獲取的的資訊了。雖然由於爬取效率而篩選掉了100關注以下的id共134w，資料量方面不如標題所示的那麼多，略有遺憾，但其實真的拿到4.1w+條較優質資料時，發現處理起來也並不容易。
比如這裡的居住地資訊，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，資料之臟令人頭疼，且純文字的資料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，這樣就在資料處理和地圖上定位有兩處難題需要解決。
由於第一次處理這類資料並視覺化，第一次用echarts就打算畫這個酷炫的地圖，因此最終先縮小資料量，還是以1w+大v的資料來視覺化，目前先完成國內分布情況，以後看情況再擴大資料量和繪製全球分布情況。
其**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。考慮到並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。
接下來分別對所在行業、職業經歷、教育經歷等進行分析，結果如下（注：使用者有多條職業經歷或教育經歷的，僅爬取了最新的一條資料）：
學校方面幾乎全為985、211高校，當然拿得出手的會樂於寫上，略微差些的可能不會填寫，而且湧入使用者多了後，這類資料也就只是調侃知乎人人都是985高校，年薪百萬的點了。所在行業方面，網際網路遙遙領先，計算機軟體、金融、高等教育位居前四。
top20 公司中bat、網易、華為、小公尺科技、美團網以及谷歌、facebook、微軟等大廠都悉數在列。再看top20 職業裡除了各種名號的程式設計師、產品經理、運營等網際網路職業，創始人、ceo等佔據前排，不可謂不令人大驚從早到晚失色。
原本只知道博士可以提供資訊得到認證，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、優質使用者的獎勵。
此次抓取的100+關注4.1w+條資料中有208條認證資訊。除卻各種專業的博士、博士後外，還有37家公司、機構，9條醫師，11條教授/講師/研究員，13條cfa、cpa持證人或工程師、建築師，以及28條其他類：副總裁、創始人、記者、律師、wcg2005-2006魔獸爭霸專案世界冠軍、職業自行車手、主持人、作家、歌手等等。看來還是有不少優質使用者可以後續去了解下的。
除了認證資訊外，優秀回答者這是鑑別某使用者是否為優質使用者，是否值得關注的乙個重要指標。包含張佳瑋在內，共有468位優秀回答者，涉及257個話題，共出現768人次優秀回答者標籤。
而所有優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。也有不少使用者貢獻了上千個回答，可以說是非常高產。但大部分使用者回答數<1000，收錄數<50。密集區域放大後如圖：
有不少資料收錄回答為0，因為還不知道知乎優秀回答者的評判標準，所以此處還需進一步了解。另外這些資料點，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。
本專案是個人第一次百萬級資料的爬取，當然由於爬取效率方面需要改進，所以詳細使用者資訊選擇性的只爬了100+關注人數共4.1w+的id。另外也是第一次資料視覺化，從完全不懂echarts的各種引數，硬剛配置項，到勉強獲得了上述還算能看的一些資料圖，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、自定義的視覺化圖。
另外，除卻上述資料外，還有點讚數、感謝數、收藏數、關注數和被關注數、簽名、個人簡介等等資料並未處理，但基本想要獲取的圖都得到了，算是完成了此專案，也學到了很多東西。
1 python 爬取小說
請求網頁鏈結 獲取頁面原始碼 r requests.get url,headers headers text doc pq r 獲取網頁的全部章節鏈結 這裡去掉了前面的最新章節部分 直接從第一章開始 div book detail nth child 2 選取的是第二個div的內容 links do...
1 蘇寧百萬級商品爬取 思路講解 類別爬取
蘇寧類別面 解析圖.png 通過圖可知，總共有n個類別，每個類別都是乙個div區塊，然後再繼續分解div區塊分析內容。我們要得到的是類別表，據圖所示我們可以分析得出類別表的結構應當樹形的。所以涉及的表應該是包含子節點和父節點的。初步設計圖如下 idpid code name url主鍵 父節點編碼 ...
Day1 Ajax資料爬取
一 渲染網頁 document.getelementbyid mydiv innerhtml xmlhttp.responsetext 這裡就是將id是mydiv的節點內部的html 更改為伺服器返回的內容了 6.2 ajax分析方法 1 在微博的頁面中，開啟審查元素中network，重新整理一下頁...