用 Python 分析 CSDN 小姐姐一年都做了啥

点击上方“CSDN”,选择“置顶公众号”

关键时刻,第一时间送达!

【CSDN 编者按】今天是 2017 年最后一天,在此向所有程序员朋友们道一声「新年快乐」,在过去一年里,发生了很多事,一边是新技术的不断迭代,一边是国内外各大厂的放大招,还有的,就是程序员群体所遭遇的重大事件。在这一年,CSDN 发布了 905 篇文章,与所有程序员朋友们一起见证了许多事,也相伴着走过了学习、工作的路程,在本文中,我们的一位好朋友 —— 某知名互联网公司运维技术负责人刘晓明(ID:布道)用 Python 爬虫了 CSDN 过去一年的历史文章数据并进行了分析与总结,在此与诸君分享。

0?wx_fmt=jpeg

CSDN 小姐姐祝所有程序员朋友新年快乐!

以下为正文:

2017 年转眼之间就过完,心挺累,人挺烦,想想都是为了钱。今天,我们用 Python 看看 2017 年小姐姐对 CSDN 微信公众号都做了啥?微信公众号的文章爬取有三种方式:

1. 通过微信订阅号在发布文章,可以查找公众号的文章,方式见微信公众平台的链接。但阅读数、点赞数、评论数仍无法抓取。

2. 通过搜狗微信搜索微信公众号方式,但是文章篇幅仍然后有限制,点赞、阅读数和评论数无法抓取。

3. 通过“中间人方式”对数据进行拦截,过滤解析后进行抓取。

本文就是利用第三种方式对数据进行抓取。

思路

1. 安装代理 AnProxy,在手机端安装 CA 证书,启动代理,设置手机代理;

2. 获取目标微信公众号的 __biz;

3. 进入微信公众号的历史页面;

4. 使用 Monkeyrunner 控制滑屏;获取更多的历史消息;

5. 记录文章标题、摘要、创建时间、创作类型、地址等等;

6. 文章列表获取完成后,利用 Monkeyrunner 进入文章的列表,

7. 记录文章的阅读数,点赞数,评论数等;

8. 重复以上操作。

数据爬取结果


0?wx_fmt=png

数据分析

文章总数:905 篇,每个月发布情况如下:

import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
df['文章数'] = pd.to_datetime(df['日期']).dt.month
date = pd.DataFrame(df['文章数'].value_counts())
plt.figure(figsize=(15, 5))
plt.title('CSDN公众号文章发布情况')
plt.xlabel('月份')
plt.ylabel('文章数')
plt.xticks((1,2,3,4,5,6,7,8,9,10,11,12),('2017-01','2017-02','2017-03','2017-04','2017-05','2017-06','2017-07','2017-08','2017-09','2017-10','2017-11','2017-12'))
plt.plot(date.sort_index(),color='green',linestyle='dashed', marker='o', markerfacecolor='blue', markersize=8,)
plt.show()

0?wx_fmt=png

CSDN 公众号发布情况

通过发布文章次数的曲线来看,CSDN 在今年下半年才正式着重运营微信公众号,在 11 月份和 12 月份月发布次数已经超过 100 篇,每天 6 篇文章已经成为常态,小姐姐确实不容易啊,手动点赞!

创作类型分析

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
data = pd.DataFrame(df['创作类型'].value_counts())
explode=[0,0,0,0,0]
plt.figure(figsize=(15, 6))
plt.axes(aspect=1)
plt.title('文章创作情况',fontsize=18)
plt.pie(x=data,autopct='%.2f%%',explode=explode,shadow=True,labels=['原创','未标记作者','创作或转发','其它','未知'])
plt.show()

0?wx_fmt=jpeg

文章创作情况比例分布

通过文章的创作情况来看,一半以上的文章都是原创。基本上每天至少有一篇原创的文章。

有这样的文采,确实是难得的人才。

阅读数分析

import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
data = df[['阅读数']]
a = data.sort_values(by=['阅读数'],ascending=False)
one = a[a['阅读数']>=70000].size
two = a[(a['阅读数']>=30000) & (a['阅读数']<70000)].size
three = a[(a['阅读数']>=10000) & (a['阅读数']<30000)].size
four = a[(a['阅读数']>=1000) & (a['阅读数']<10000)].size
five = a[(a['阅读数']<1000)].size
explode=[0.3,0,0,0,0]
fras = [one,two,three,four,five]
plt.figure(figsize=(15, 5))
plt.axes(aspect=1)
plt.title('阅读数分布比例',fontsize=18)
plt.pie(x=fras,autopct='%.2f%%',explode=explode,shadow=True,labels=['大于70,000','30,000~70,000','10,000~30,000','1000~10,000','小于1,000'])
plt.show()

0?wx_fmt=jpeg

阅读数分布比例

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
df_read = df[['标题','阅读数']]
data_read = df.sort_values(by=['阅读数'],ascending=False)
data_read.index = data_read['标题']
var = data_read['阅读数'][:10]
plt.figure(figsize=(15, 6))
plt.title('阅读数 TOP10 的文章',fontsize=18)
plt.xlabel('数量',fontsize=18)
plt.ylabel('标题',fontsize=18)
var.plot(kind='barh', stacked=True,alpha=0.5,color=['red'])
plt.show()

0?wx_fmt=jpeg

阅读数 TOP10 的文章

由于阅读数超过 10W,返回值为 100001,具体数字是多少,前后台不得而知。整体文章质量比较高,不乏有 10 万+的文章出现。大 V,对技术资讯的传播具有很大的影响力!

点赞数分析

import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
data = df[['点赞数']]
a = data.sort_values(by=['点赞数'],ascending=False)
one = a[a['点赞数']>=200].size
two = a[(a['点赞数']>=50) & (a['点赞数']<200)].size
three = a[(a['点赞数']<50)].size
explode=[0.3,0,0]
fras = [one,two,three]
plt.figure(figsize=(15, 5))
plt.axes(aspect=1)
plt.title('点赞数分布比例',fontsize=18)
plt.pie(x=fras,autopct='%.2f%%',explode=explode,shadow=True,labels=['大于200','50~100','小于50'])
plt.show()

0?wx_fmt=jpeg

点赞数分布比例

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
df = df[['标题','点赞数']]
data = df.sort_values(by=['点赞数'],ascending=False)
data.index = data['标题']
var = data['点赞数'][:10]
plt.figure(figsize=(15, 6))
plt.title('点赞数 TOP10 的文章',fontsize=18)
plt.xlabel('数量',fontsize=18)
plt.ylabel('标题',fontsize=18)
var.plot(kind='barh', stacked=True,alpha=0.7,color=['green'])
plt.show()

0?wx_fmt=jpeg

点赞数 TOP10 的文章

为什么现在的监控系统容易硬盘坏?附原理解析

摘要:分享一则技术贴。

作者:无

阅读数:70302

点赞数:157

评论数:41

NO8:致永远离开我们的一位程序员

摘要:为什么在代码之外的世界里,作为程序员的我们,会频遭维艰的窘境?致这位永远离开我们的开发者,愿天堂没有恶人相逼,愿你可做自己喜欢的事情。

作者:班布里

阅读数:67689

点赞数:108

评论数:92

NO9:任正非致歉华为前程序员:回来吧,公司错了

摘要:当年岁增长,究竟是在技术一线的道路上一直走下去?还是转而做管理人员?又该如何兼顾工作与家庭?

作者:唐小引

阅读数:65206

点赞数:199

评论数:94

NO10:马云说,即使阿里巴巴死了,达摩院也要活着

摘要:用马云的原话就是:阿里巴巴要走 102 年非常之艰难,达摩院必须要比阿里巴巴活的时间长。

作者:沭七

阅读数:59097

点赞数:191

评论数:74

虽然不知道在 2017 年增加多少粉,但是通过分析来看,CSDN 公众号通过一年的运营已经成为技术类公众号的主流媒体。若我是老板,年终奖一定会给她包个大红包,2018 年升职加薪!

最后,朋友们如果有想说的话,或者想要源码或数据源学习,请留言,技术之路,感谢有你们[手动比心]。更欢迎你们加入 CSDN 作者大家庭,一起为天下程序员传播更具价值的优质内容,请微信联系:donyintxy 投稿(备注:姓名+投稿)。

作者简介:刘晓明,某知名互联网公司运维技术负责人,拥有 10 年的互联网开发和运维经验。一直致力于运维工具的开发和运维专家服务的推进,赋能开发,提高效能。有专栏名曰「开发运维」,欢迎关注:https://zhuanlan.zhihu.com/idevops。

————— 推荐阅读 —————

0?wx_fmt=jpeg

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=jpeg0?wx_fmt=gif

展开阅读全文

没有更多推荐了,返回首页