爬取張佳瑋138w+知乎關(guān)注者后，我做了數(shù)據(jù)可視化分析

本項目僅為個人練手，若有冒犯張公子或其他人之處，在此先致以歉意，爬取的數(shù)據(jù)不做公開。另外行文時間問題，關(guān)注張公子的人數(shù)略有變化，很多數(shù)據(jù)也都有所變化，請批判性地看待可視化結(jié)果。

一、前言

作為本專欄第一篇文章，先介紹下小背景，即為什么爬知乎第一大V張公子的138w+關(guān)注者信息？

其實之前也寫過不少小爬蟲，按照網(wǎng)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(xué)校亮燈，于是爬取2016-2017年官網(wǎng)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；

也因為喜歡魯迅的作品，爬過在線魯迅全集的全部文章標(biāo)題和鏈接；另外聽說太祖的某卷書是禁書，于是順帶也爬了遍毛選；還幫老同學(xué)在某票據(jù)網(wǎng)站下線前爬了大部分機(jī)構(gòu)、人員信息，說是蠻值錢，然而也還在留著落灰......

再是知道百度Echarts開源的可視化網(wǎng)站里面的圖很酷炫，比如使我著迷的：微博簽到數(shù)據(jù)點亮中國，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(xiàn)幾年前微博就限制只能查看200左右粉絲數(shù)（具體忘了），蠻掃興的，于是將目光轉(zhuǎn)向了知乎......

而既然要爬，那就爬關(guān)注人數(shù)最多的張公子吧，數(shù)據(jù)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(shù)據(jù)與分析的文章，因此也想練練手，看看大量訪問與獲取數(shù)據(jù)時會不會遇到什么封IP的反爬措施，以及數(shù)據(jù)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(guān)注者api，然后改變網(wǎng)址中offset參數(shù)為20的倍數(shù)，一直翻頁直到獲取138w+關(guān)注者信息，其中返回的json數(shù)據(jù)主要有：關(guān)注者的昵稱、主頁id（即url_token）、性別、簽名、被關(guān)注人數(shù)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(jīng)歷、教育經(jīng)歷、獲贊數(shù)、感謝數(shù)、收藏數(shù)等等。鑒于還不怎么會多進(jìn)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(guān)注數(shù)100+的id，發(fā)現(xiàn)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。

二、數(shù)據(jù)可視化

1、關(guān)注人數(shù)

大V總是少數(shù)的，而小透明到底有多少、分布情況如何呢？將關(guān)注人數(shù)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(xiàn)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(guān)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(guān)注，就勝過了數(shù)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(shù)據(jù)透露的信息，拾得些許信心。

細(xì)看底部的區(qū)間，0關(guān)注有40.2w+，1-10關(guān)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(guān)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(guān)注，就超過了100w+的用戶，數(shù)據(jù)能告知人經(jīng)驗之外的事實，在此可見一斑。當(dāng)然知乎大量用戶涌入且多數(shù)人并不產(chǎn)生優(yōu)質(zhì)或有趣的回答，也是一二原因。

繼續(xù)看100+以上的數(shù)據(jù)，底部占比依舊明顯，塔尖依然很小。

2、性別情況

接著對100+關(guān)注人群的性別組成進(jìn)行分析，發(fā)現(xiàn)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(dāng)然10w+關(guān)注由于人數(shù)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(guān)注人數(shù)為權(quán)重，生成詞云如下：

大家上知乎的話應(yīng)該也有關(guān)注一些大V，許多名字應(yīng)該并不陌生，比如馬伯庸、動機(jī)在杭州、葛巾、朱炫、丁香醫(yī)生等等，當(dāng)然也會發(fā)現(xiàn)并不是所有大V都關(guān)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(jù)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(guān)注以下的id共134w，數(shù)據(jù)量方面不如標(biāo)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(zhì)數(shù)據(jù)時，發(fā)現(xiàn)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(shù)據(jù)之臟令人頭疼，且純文本的數(shù)據(jù)又不像數(shù)字類可以篩選、排序，還沒想到好的方式應(yīng)對。再者Echarts官網(wǎng)雖然有不少可以套用的模板，但有很多地方的經(jīng)緯度需要重新獲取，這樣就在數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)量，還是以1w+大V的數(shù)據(jù)來可視化，目前先完成國內(nèi)分布情況，以后看情況再擴(kuò)大數(shù)據(jù)量和繪制全球分布情況。

其中出現(xiàn)次數(shù)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(yīng)該算是意料之中的?？紤]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(yán)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(jīng)歷、教育經(jīng)歷等進(jìn)行分析，結(jié)果如下（注：用戶有多條職業(yè)經(jīng)歷或教育經(jīng)歷的，僅爬取了最新的一條數(shù)據(jù)）：

學(xué)校方面幾乎全為985、211高校，當(dāng)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(shù)據(jù)也就只是調(diào)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(lián)網(wǎng)遙遙領(lǐng)先，計算機(jī)軟件、金融、高等教育位居前四。

Top20 公司中BAT、網(wǎng)易、華為、小米科技、美團(tuán)網(wǎng)以及谷歌、Facebook、微軟等大廠都悉數(shù)在列。再看Top20 職業(yè)里除了各種名號的程序員、產(chǎn)品經(jīng)理、運營等互聯(lián)網(wǎng)職業(yè)，創(chuàng)始人、CEO等占據(jù)前排，不可謂不令人大驚從早到晚失色。

6、認(rèn)證信息

原本只知道博士可以提供信息得到認(rèn)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(xué)歷人群、優(yōu)質(zhì)用戶的獎勵。

此次抓取的100+關(guān)注4.1w+條數(shù)據(jù)中有208條認(rèn)證信息。除卻各種專業(yè)的博士、博士后外，還有37家公司、機(jī)構(gòu)，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28條其他類：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、歌手等等?？磥磉€是有不少優(yōu)質(zhì)用戶可以后續(xù)去了解下的。

7、優(yōu)秀回答者

除了認(rèn)證信息外，優(yōu)秀回答者這是鑒別某用戶是否為優(yōu)質(zhì)用戶，是否值得關(guān)注的一個重要指標(biāo)。包含張佳瑋在內(nèi)，共有468位優(yōu)秀回答者，涉及257個話題，共出現(xiàn)768人次優(yōu)秀回答者標(biāo)簽。

而所有優(yōu)秀回答者貢獻(xiàn)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(xiàn)情況，令人望塵莫及。也有不少用戶貢獻(xiàn)了上千個回答，可以說是非常高產(chǎn)。但大部分用戶回答數(shù)<1000，收錄數(shù)<50。密集區(qū)域放大后如圖：

有不少數(shù)據(jù)收錄回答為0，因為還不知道知乎優(yōu)秀回答者的評判標(biāo)準(zhǔn)，所以此處還需進(jìn)一步了解。另外這些數(shù)據(jù)點，對應(yīng)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(lǐng)。

三、小結(jié)

本項目是個人第一次百萬級數(shù)據(jù)的爬取，當(dāng)然由于爬取效率方面需要改進(jìn)，所以詳細(xì)用戶信息選擇性的只爬了100+關(guān)注人數(shù)共4.1w+的id。另外也是第一次數(shù)據(jù)可視化，從完全不懂Echarts的各種參數(shù)，硬剛配置項，到勉強獲得了上述還算能看的一些數(shù)據(jù)圖，不少地方還需進(jìn)一步學(xué)習(xí)、改進(jìn)，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(shù)據(jù)外，還有點贊數(shù)、感謝數(shù)、收藏數(shù)、關(guān)注數(shù)和被關(guān)注數(shù)、簽名、個人簡介等等數(shù)據(jù)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(xué)到了很多東西。