數(shù)據(jù)抓取、清洗、分析一條龍，感受科技互連網(wǎng)世界的千變?nèi)f化。

摘要： 不少時候，一篇文章能否得到廣泛的傳播，除了文章本身實打?qū)嵉馁|(zhì)量以外，一個好的標題也至關(guān)重要。本文爬取了虎嗅網(wǎng)建站至今共 5 萬條新聞標題內(nèi)容，助你找到起文章標題的技巧與靈感。同時，分享一些值得關(guān)注的文章和作者。

1. 分析背景

1.1. 為什么選擇虎嗅

在眾多新媒體網(wǎng)站中，「虎嗅」網(wǎng)的文章內(nèi)容和質(zhì)量還算不錯。在「新榜」科技類公眾號排名中，它位居榜單第 3 名，還是比較受歡迎的。所以選擇爬取該網(wǎng)站的文章信息，順便從中了解一下這幾年科技互聯(lián)網(wǎng)都出現(xiàn)了哪些熱點信息。

「關(guān)于虎嗅」

虎嗅網(wǎng)創(chuàng)辦于 2012 年 5 月，是一個聚合優(yōu)質(zhì)創(chuàng)新信息與人群的新媒體平臺。該平臺專注于貢獻原創(chuàng)、深度、犀利優(yōu)質(zhì)的商業(yè)資訊，圍繞創(chuàng)新創(chuàng)業(yè)的觀點進行剖析與交流?；⑿峋W(wǎng)的核心，是關(guān)注互聯(lián)網(wǎng)及傳統(tǒng)產(chǎn)業(yè)的融合、明星公司的起落軌跡、產(chǎn)業(yè)潮汐的動力與趨勢。

1.2. 分析內(nèi)容

• 分析虎嗅網(wǎng) 5 萬篇文章的基本情況，包括收藏數(shù)、評論數(shù)等

• 發(fā)掘最受歡迎和最不受歡迎的文章及作者

• 分析文章標題形式（長度、句式）與受歡迎程度之間的關(guān)系

• 展現(xiàn)近些年科技互聯(lián)網(wǎng)行業(yè)的熱門詞匯

1.3. 分析工具

• Python

• pyspider

• MongoDB

• Matplotlib

• WordCloud

• Jieba

2. 數(shù)據(jù)抓取

使用 pyspider 抓取了虎嗅網(wǎng)的主頁文章，文章抓取時期為 2012 年建站至 2018 年 11 月 1 日，共計約 5 萬篇文章。抓取 了 7 個字段信息：文章標題、作者、發(fā)文時間、評論數(shù)、收藏數(shù)、摘要和文章鏈接。

2.1. 目標網(wǎng)站分析

這是要爬取的 網(wǎng)頁界面，可以看到是通過 AJAX 加載的。

右鍵打開開發(fā)者工具查看翻頁規(guī)律，可以看到 URL 請求是 POST 類型，下拉到底部查看 Form Data，表單需提交參數(shù)只有 3 項。經(jīng)嘗試， 只提交 page 參數(shù)就能成功獲取頁面的信息，其他兩項參數(shù)無關(guān)緊要，所以構(gòu)造分頁爬取非常簡單。

1
2
3

huxiu_hash_code: 39bcd9c3fe9bc69a6b682343ee3f024a
page: 4
last_dateline: 1541123160

接著，切換選項卡到 Preview 和 Response 查看網(wǎng)頁內(nèi)容，可以看到數(shù)據(jù)都位于 data 字段里。total_page 為 2004，表示一共有 2004 頁的文章內(nèi)容，每一頁有 25 篇文章，總共約 5 萬篇，也就是我們要爬取的數(shù)量。

以上，我們就找到了所需內(nèi)容，接下來可以開始構(gòu)造爬蟲，整個爬取思路比較簡單。之前我們也練習過這一類 Ajax 文章的爬取，可以參考：

抓取澎湃網(wǎng)建站至今 1500 期信息圖欄目圖片

2.2. pyspider 介紹

和之前文章不同的是，這里我們使用一種新的工具來進行爬取，叫做：pyspider 框架。由國人 binux 大神開發(fā)，GitHub Star 數(shù)超過 12 K，足以證明它的知名度?？梢哉f，學習爬蟲不能不會使用這個框架。

網(wǎng)上關(guān)于這個框架的介紹和實操案例非常多，這里僅簡單介紹一下。

我們之前的爬蟲都是在 Sublime 、PyCharm 這種 IDE 窗口中執(zhí)行的，整個爬取過程可以說是處在黑箱中，內(nèi)部運行的些細節(jié)并不太清楚。而 pyspider 一大亮點就在于提供了一個可視化的 WebUI 界面，能夠清楚地查看爬蟲的運行情況。

pyspider 的架構(gòu)主要分為 Scheduler(調(diào)度器)、Fetcher(抓取器)、Processer(處理器)三個部分。Monitor(監(jiān)控器)對整個爬取過程進行監(jiān)控，Result Worker(結(jié)果處理器)處理最后抓取的結(jié)果。

我們看看該框架的運行流程大致是怎么樣的：

• 一個 pyppider 爬蟲項目對應(yīng)一個 Python 腳本，腳本里定義了一個 Handler 主類。爬取時首先調(diào)用 on_start() 方法生成最初的抓取任務(wù)，然后發(fā)送給 Scheduler。

• Scheduler 將抓取任務(wù)分發(fā)給 Fetcher 進行抓取，F(xiàn)etcher 執(zhí)行然后得到 Response、隨后將 Response 發(fā)送給 Processer。

• Processer 處理響應(yīng)并提取出新的 URL 然后生成新的抓取任務(wù)，然后通過消息隊列的方式通知 Scheduler 當前抓取任務(wù)執(zhí)行情況，并將新生成的抓取任務(wù)發(fā)送給 Scheduler。如果生成了新的提取結(jié)果，則將其發(fā)送到結(jié)果隊列等待 Result Worker 處理。

• Scheduler 接收到新的抓取任務(wù)，然后查詢數(shù)據(jù)庫，判斷其如果是新的抓取任務(wù)或者是需要重試的任務(wù)就繼續(xù)進行調(diào)度，然后將其發(fā)送回 Fetcher 進行抓取。

• 不斷重復(fù)以上工作、直到所有的任務(wù)都執(zhí)行完畢，抓取結(jié)束。

• 抓取結(jié)束后、程序會回調(diào) on_finished() 方法，這里可以定義后處理過程。

該框架比較容易上手，網(wǎng)頁右邊是代碼區(qū)，先定義類（Class）然后在里面添加爬蟲的各種方法（也可以稱為函數(shù)），運行的過程會在左上方顯示，左下方則是輸出結(jié)果的區(qū)域。

這里，分享幾個不錯的教程以供參考：

GitHub 項目地址：https://github.com/binux/pyspider

官方主頁：http://docs.pyspider.org/en/latest/

pyspider 中文網(wǎng)：http://www.pyspider.cn/page/1.html

pyspider 爬蟲原理剖析：http://python.jobbole.com/81109/

pyspider 爬淘寶圖案例實操：https://cuiqingcai.com/2652.html

安裝好該框架后，下面我們可以就開始爬取了。

2.3. 抓取數(shù)據(jù)

CMD 命令窗口執(zhí)行：pyspider all 命令，然后瀏覽器輸入：http://localhost:5000/ 就可以啟動 pyspider 。

點擊 Create 新建一個項目，Project Name 命名為：huxiu，因為要爬取的 URL 是 POST 類型，所以這里可以先不填寫，之后可以在代碼中添加，再次點擊 Creat 便完成了該項目的新建。

新項目建立好后會自動生成一部分模板代碼，我們只需在此基礎(chǔ)上進行修改和完善，然后就可以運行爬蟲項目了。現(xiàn)在，簡單梳理下代碼編寫步驟。

1
2
3
4
5
6
7
8
9
10
11
12

from pyspider.libs.base_handler import *
class Handler(BaseHandler):
    crawl_config:{
        "headers":{
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
            'X-Requested-With': 'XMLHttpRequest'
            }
    }
def on_start(self):
        for page in range(2,3): # 先循環(huán)1頁
            print('正在爬取第 %s 頁' % page)
            self.crawl('https://www.huxiu.com/v2_action/article_list',method='POST',data={'page':page}, callback=self.index_page)

這里，首先定義了一個 Handler 主類，整個爬蟲項目都主要在該類下完成。 接著，可以將爬蟲基本的一些基本配置，比如 Headers、代理等設(shè)置寫在下面的 crawl_config 屬性中。（如果你還沒有習慣從函數(shù)（def）轉(zhuǎn)換到類（Class）的代碼寫法，那么需要先了解一下類的相關(guān)知識，之后我也會單獨用一篇文章介紹一下。）

下面的 on_start() 方法是程序的入口，也就是說程序啟動后會首先從這里開始運行。首先，我們將要爬取的 URL傳入 crawl() 方法，同時將 URL 修改成虎嗅網(wǎng)的：https://www.huxiu.com/v2_action/article_list。由于 URL 是 POST 請求，所以我們還需要增加兩個參數(shù)：method 和 data。method 表示 HTTP 請求方式，默認是 GET，這里我們需要設(shè)置為 POST；data 是 POST 請求表單參數(shù)，只需要添加一個 page 參數(shù)即可。

接著，通過 callback 參數(shù)定義一個 index_page() 方法，用來解析 crawl() 方法爬取 URL 成功后返回的 Response 響應(yīng)。在后面的 index_page() 方法中，可以使用 PyQuery 提取響應(yīng)中的所需內(nèi)容。具體提取方法如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

import json
from pyquery import PyQuery as pq
def index_page(self, response):
        content = response.json['data']
# 注意，在sublime中，json后面需要添加()，pyspider 中則不用
        doc = pq(content)
        lis = doc('.mod-art').items()
        data = [{
            'title': item('.msubstr-row2').text(),
            'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
            'name': item('.author-name').text(),
            'write_time':item('.time').text(),
            'comment':item('.icon-cmt+ em').text(),
            'favorites':item('.icon-fvr+ em').text(),
            'abstract':item('.mob-sub').text()
            } for item in lis ]   # 列表生成式結(jié)果返回每頁提取出25條字典信息構(gòu)成的list
        print(data)
        return data

這里，網(wǎng)頁返回的 Response 是 json 格式，待提取的信息存放在其中的 data 鍵值中，由一段 HTML 代碼構(gòu)成。我們可以使用 response.json[‘data’] 獲取該 HTML 信息，接著使用 PyQuery 搭配 CSS 語法提取出文章標題、鏈接、作者等所需信息。這里使用了列表生成式，能夠精簡代碼并且轉(zhuǎn)換為方便的 list 格式，便于后續(xù)存儲到 MongoDB 中。我們輸出并查看一下第 2 頁的提取結(jié)果：

1
2
3
4
5

# 由25個 dict 構(gòu)成的 list
[{'title': '想要長生不老？殺死體內(nèi)的“僵尸細胞”吧', 'url': 'https://www.huxiu.com/article/270086.html', 'name': '造就Talk', 'write_time': '19小時前', 'comment': '4', 'favorites': '28', 'abstract': '如果有了最終療法，也不應(yīng)該是每天都需要接受治療'}, 
 {'title': '日本步入下流社會，我們還在買買買', 'url': 'https://www.huxiu.com/article/270112.html', 'name': '騰訊《大家》?', 'write_time': '20小時前', 'comment': '13', 'favorites': '142', 'abstract': '我買，故我在'}
...
]

可以看到，成功得到所需數(shù)據(jù)，然后就可以保存了，可以選擇輸出為 CSV、MySQL、MongoDB 等方式，這里我們選擇保存到 MongoDB 中。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import pymongo
import time
import numpy as np
client = pymongo.MongoClient('localhost',27017)
db = client.Huxiu
mongo_collection = db.huxiu_news

def on_result(self,result):
        if result:
            self.save_to_mongo(result)  
def save_to_mongo(self,result):
    df = pd.DataFrame(result)
#print(df)
    content = json.loads(df.T.to_json()).values()
    if mongo_collection.insert_many(content):
        print('存儲到 mongondb 成功')
# 隨機暫停
        sleep = np.random.randint(1,5)
        time.sleep(sleep)

上面，定義了一個 on_result() 方法，該方法專門用來獲取 return 的結(jié)果數(shù)據(jù)。這里用來接收上面 index_page() 返回的 data 數(shù)據(jù)，在該方法里再定義一個存儲到 MongoDB 的方法就可以保存到 MongoDB 中。關(guān)于數(shù)據(jù)如何存儲到 MongoDB 中，我們在之前的 一篇文章 中有過介紹，如果忘記了可以回顧一下。

下面，我們來測試一下整個爬取和存儲過程。點擊左上角的 run 就可以順利運行單個網(wǎng)頁的抓取、解析和存儲，結(jié)果如下：

上面完成了單頁面的爬取，接下來，我們需要爬取全部 2000 余頁內(nèi)容。

需要修改兩個地方，首先在 on_start() 方法中將 for 循環(huán)頁數(shù) 3 改為 2002。改好以后，如果我們直接點擊 run ，會發(fā)現(xiàn)還是只能爬取第 2 頁的結(jié)果。這是因為，pyspider 以 URL的 MD5 值作為 唯一 ID 編號，ID 編號相同的話就視為同一個任務(wù)，便不會再重復(fù)爬取。由于 GET 請求的 分頁URL 通常是有差異的，所以 ID 編號會不同，也就自然能夠爬取多頁。但這里 POST 請求的分頁 URL 是相同的，所以爬完第 2 頁，后面的頁數(shù)便不會再爬取。

那有沒有解決辦法呢？ 當然是有的，我們需要重新寫下 ID 編號的生成方式，方法很簡單，在 on_start() 方法前面添加下面 2 行代碼即可：

1
2

def get_taskid(self,task):
    return md5string(task['url']+json.dumps(task['fetch'].get('data','')))

這樣，我們再點擊 run 就能夠順利爬取 2000 頁的結(jié)果了，我這里一共抓取了 49,996 條結(jié)果，耗時 2 小時左右完成。

以上，就完成了數(shù)據(jù)的獲取。有了數(shù)據(jù)我們就可以著手分析，不過這之前還需簡單地進行一下數(shù)據(jù)的清洗、處理。

3. 數(shù)據(jù)清洗處理

首先，我們需要從 MongoDB 中讀取數(shù)據(jù)，并轉(zhuǎn)換為 DataFrame。

1
2
3
4
5

client = pymongo.MongoClient(host='localhost', port=27017)
db = client['Huxiu']
collection = db['huxiu_news']
# 將數(shù)據(jù)庫數(shù)據(jù)轉(zhuǎn)為DataFrame
data = pd.DataFrame(list(collection.find()))

下面我們看一下數(shù)據(jù)的總體情況，可以看到數(shù)據(jù)的維度是 49996 行 × 8 列。發(fā)現(xiàn)多了一列無用的 _id 需刪除，同時 name 列有一些特殊符號，比如? 需刪除。另外，數(shù)據(jù)格式全部為 Object 字符串格式，需要將 comment 和 favorites 兩列更改為數(shù)值格式、 write_time 列更改為日期格式。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

print(data.shape)  # 查看行數(shù)和列數(shù)
print(data.info()) # 查看總體情況
print(data.head()) # 輸出前5行

# 結(jié)果：
(49996, 8)
Data columns (total 8 columns):
_id           49996 non-null object
abstract      49996 non-null object
comment       49996 non-null object
favorites     49996 non-null object
name          49996 non-null object
title         49996 non-null object
url           49996 non-null object
write_time    49996 non-null object
dtypes: object(8)
    
	_id	abstract	comment	favorites	name	title	url	write_time
05bdc2	“在你們看到…	2250	普象工業(yè)設(shè)計小站?	看了蘋果屌	https://	10小時前
15bdc2	中國”綠卡”號稱“世界最難拿”	916	經(jīng)濟觀察報?	遞交材料厚	https://	10小時前
25bdc2	鮮衣怒馬少年時	213	小馬宋	金庸小說陪	https://	11小時前
35bdc2	預(yù)告還是預(yù)警？	310	Cuba Libre	阿里即將發(fā)	https://	11小時前
45bdc2	庫克：咋回事？	23	Cuba Libre	【虎嗅早報	https://	11小時前

代碼實現(xiàn)如下：

1
2
3
4
5
6
7
8
9
10

# 刪除無用_id列
data.drop(['_id'],axis=1,inplace=True)
# 替換掉特殊字符?
data['name'].replace('?','',inplace=True,regex=True)
# 字符更改為數(shù)值
data = data.apply(pd.to_numeric,errors='ignore')
# 更該日期格式
data['write_time'] = data['write_time'].replace('.*前','2018-10-31',regex=True) 
# 為了方便，將write_time列，包含幾小時前和幾天前的行，都替換為10月31日最后1天。
data['write_time'] = pd.to_datetime(data['write_time'])

下面，我們看一下數(shù)據(jù)是否有重復(fù)，如果有，那么需要刪除。

1
2
3
4
5
6
7
8
9
10
11
12
13

# 判斷整行是否有重復(fù)值
print(any(data.duplicated()))
# 顯示True，表明有重復(fù)值，進一步提取出重復(fù)值數(shù)量
data_duplicated = data.duplicated().value_counts()
print(data_duplicated) # 顯示2 True ，表明有2個重復(fù)值
# 刪除重復(fù)值
data = data.drop_duplicates(keep='first')
# 刪除部分行后，index中斷，需重新設(shè)置index
data = data.reset_index(drop=True)
#結(jié)果：
True
False    49994
True         2

然后，我們再增加兩列數(shù)據(jù)，一列是文章標題長度列，一列是年份列，便于后面進行分析。

1
2
3
4
5
6
7
8
9
10
11
12

data['title_length'] = data['title'].apply(len)
data['year'] = data['write_time'].dt.year
Data columns (total 9 columns):
abstract        49994 non-null object
comment         49994 non-null int64
favorites       49994 non-null int64
name            49994 non-null object
title           49994 non-null object
url             49994 non-null object
write_time      49994 non-null datetime64[ns]
title_length    49994 non-null int64
year            49994 non-null int64

以上，就完成了基本的數(shù)據(jù)清洗處理過程，針對這 9 列數(shù)據(jù)可以開始進行分析了。

4. 描述性數(shù)據(jù)分析

通常，數(shù)據(jù)分析主要分為四類： 「描述型分析」、「診斷型分析」「預(yù)測型分析」「規(guī)范型分析」。「描述型分析」是用來概括、表述事物整體狀況以及事物間關(guān)聯(lián)、類屬關(guān)系的統(tǒng)計方法，是這四類中最為常見的數(shù)據(jù)分析類型。通過統(tǒng)計處理可以簡潔地用幾個統(tǒng)計值來表示一組數(shù)據(jù)地集中性（如平均值、中位數(shù)和眾數(shù)等）和離散型(反映數(shù)據(jù)的波動性大小，如方差、標準差等)。

這里，我們主要進行描述性分析，數(shù)據(jù)主要為數(shù)值型數(shù)據(jù)（包括離散型變量和連續(xù)型變量）和文本數(shù)據(jù)。

4.1. 總體情況

先來看一下總體情況。

1
2
3
4
5
6
7
8
9
10

print(data.describe())
             comment     favorites  title_length 
count  49994.000000  49994.000000  49994.000000  
mean      10.860203     34.081810     22.775333  
std       24.085969     48.276213      9.540142  
min        0.000000      0.000000      1.000000  
25%        3.000000      9.000000     17.000000  
50%        6.000000     19.000000     22.000000  
75%       12.000000     40.000000     28.000000  
max     2376.000000   1113.000000    224.000000

這里，使用了 data.describe() 方法對數(shù)值型變量進行統(tǒng)計分析。從上面可以簡要得出以下幾個結(jié)論：

• 讀者的評論和收藏熱情都不算太高，大部分文章（75 %）的評論數(shù)量為十幾條，收藏數(shù)量不過幾十個。這和一些微信大 V 公眾號動輒百萬級閱讀、數(shù)萬級評論和收藏量相比，虎嗅網(wǎng)的確相對小眾一些。不過也正是因為小眾，也才深得部分人的喜歡。

• 評論數(shù)最多的文章有 2376 條，收藏數(shù)最多的文章有 1113 個收藏量，說明還是有一些潛在的比較火或者質(zhì)量比較好的文章。

• 最長的文章標題長達 224 個字，大部分文章標題長度在 20 來個字左右，所以標題最好不要太長或過短。

對于非數(shù)值型變量（name、write_time），使用 describe() 方法會產(chǎn)生另外一種匯總統(tǒng)計。

1
2
3
4
5
6
7
8
9
10
11
12
13
14

print(data['name'].describe())
print(data['write_time'].describe())
# 結(jié)果：
count     49994
unique     3162
top          虎嗅
freq      10513
Name: name, dtype: object
count                   49994
unique                   2397
top       2014-07-10 00:00:00
freq                      274
first     2012-04-03 00:00:00
last      2018-10-31 00:00:00

unique 表示唯一值數(shù)量，top 表示出現(xiàn)次數(shù)最多的變量，freq 表示該變量出現(xiàn)的次數(shù)，所以可以簡單得出以下幾個結(jié)論：

• 在文章來源方面，3162 個作者貢獻了這 5 萬篇文章，其中自家官網(wǎng)「虎嗅」寫的數(shù)量最多，超過了 1 萬篇，這也很自然。

• 在文章發(fā)表時間方面，最早的一篇文章來自于 2012年 4 月 3 日。 6 年多時間，發(fā)文數(shù)最多的 1 天 是 2014 年 7 月 10 日，一共發(fā)了 274 篇文章。

4.2. 不同時期文章發(fā)布的數(shù)量變化

可以看到 ，以季度為時間尺度的6 年間，前幾年發(fā)文數(shù)量比較穩(wěn)定，大概在1750 篇左右，個別季度數(shù)量激增到 2000 篇以上。2016 年之后文章開始增加到 2000 篇以上，可能跟網(wǎng)站知名度提升有關(guān)。首尾兩個季度日期不全，所以數(shù)量比較少。

具體代碼實現(xiàn)如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

def analysis1(data):
# # 匯總統(tǒng)計
# print(data.describe())
# print(data['name'].describe())
# print(data['write_time'].describe())
    
    data.set_index(data['write_time'],inplace=True)
    data = data.resample('Q').count()['name']  # 以季度匯總
    data = data.to_period('Q')
# 創(chuàng)建x,y軸標簽
    x = np.arange(0,len(data),1)
    ax1.plot(x,data.values, #x、y坐標
        color = color_line , #折線圖顏色為紅色
        marker = 'o',markersize = 4 #標記形狀、大小設(shè)置
        )
    ax1.set_xticks(x) # 設(shè)置x軸標簽為自然數(shù)序列
    ax1.set_xticklabels(data.index) # 更改x軸標簽值為年份
    plt.xticks(rotation=90) # 旋轉(zhuǎn)90度，不至太擁擠

    for x,y in zip(x,data.values):
        plt.text(x,y + 10,'%.0f' %y,ha = 'center',color = colors,fontsize=fontsize_text )
# '%.0f' %y 設(shè)置標簽格式不帶小數(shù)
# 設(shè)置標題及橫縱坐標軸標題
    plt.title('虎嗅網(wǎng)文章數(shù)量發(fā)布變化(2012-2018)',color = colors,fontsize=fontsize_title)
    plt.xlabel('時期')
    plt.ylabel('文章(篇)')
    plt.tight_layout()  # 自動控制空白邊緣
    plt.savefig('虎嗅網(wǎng)文章數(shù)量發(fā)布變化.png',dpi=200)
    plt.show()

4.3. 文章收藏量 TOP 10

接下來，到了我們比較關(guān)心的問題：幾萬篇文章里，到底哪些文章寫得比較好或者比較火？

此處選取了「favorites」(收藏數(shù)量)作為衡量標準。畢竟，一般好的文章，我們都會有收藏的習慣。

第一名「讀完這10本書，你就能站在智商鄙視鏈的頂端了 」以 1113 次收藏位居第一，并且遙遙領(lǐng)先于后者，看來大家都懷有「想早日攀上人生巔峰，一覽眾人小」的想法啊。打開這篇文章的鏈接，文中提到了這幾本書：《思考，快與慢》、《思考的技術(shù)》、《麥肯錫入職第一課：讓職場新人一生受用的邏輯思考力》等。一本都沒看過，看來這輩子是很難登上人生巔峰了。

發(fā)現(xiàn)兩個有意思的地方。

第一，文章標題都比較短小精煉。

第二，文章收藏量雖然比較高，但評論數(shù)都不多，猜測這是因為 大家都喜歡做伸手黨？

4.4. 歷年文章收藏量 TOP3

在了解文章的總體排名之后，我們來看看歷年的文章排名是怎樣的。這里，每年選取了收藏量最多的 3 篇文章。

可以看到，文章收藏量基本是逐年遞增的，但 2015 年的 3 篇文章的收藏量卻是最高的，包攬了總排名的前 3 名，不知道這一年的文章有什么特別之處。

以上只羅列了一小部分文章的標題，可以看到標題起地都蠻有水準的。關(guān)于標題的重要性，有這樣通俗的說法：「一篇好文章，標題占一半」，一個好的標題可以大大增強文章的傳播力和吸引力。文章標題雖只有短短數(shù)十字，但要想起好，里面也是很有很多技巧的。

好在，這里提供了 5 萬個標題可以參考。如需，可以在公眾號后臺回復(fù)「虎嗅」得到這份 CSV 文件。

代碼實現(xiàn)如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

def analysis2(data):
# # 總收藏排名
# top = data.sort_values(['favorites'],ascending = False)
# # 收藏前10
# top.index = (range(1,len(top.index)+1)) # 重置index，并從1開始編號
# print(top[:10][['title','favorites','comment']])

# 按年份排名
# # 增加一列年份列
# data['year'] = data['write_time'].dt.year
def topn(data):
        top = data.sort_values('favorites',ascending=False)
        return top[:3]
    data = data.groupby(by=['year']).apply(topn)
    print(data[['title','favorites']])
# 增加每年top123列，列依次值為1、2、3
    data['add'] = 1 # 輔助
    data['top'] = data.groupby(by='year')['add'].cumsum()
    data_reshape = data.pivot_table(index='year',columns='top',values='favorites').reset_index()
# print(data_reshape)  # ok
    data_reshape.plot(
# x='year',
        y=[1,2,3],
        kind='bar',
        width=0.3,
        color=['#1362A3','#3297EA','#8EC6F5']  # 設(shè)置不同的顏色
# title='虎嗅網(wǎng)歷年收藏數(shù)最多的3篇文章'
        )
    plt.xlabel('Year')
    plt.ylabel('文章收藏數(shù)量')
    plt.title('歷年 TOP3 文章收藏量比較',color = colors,fontsize=fontsize_title)
    plt.tight_layout()  # 自動控制空白邊緣，以全部顯示x軸名稱
# plt.savefig('歷年 Top3 文章收藏量比較.png',dpi=200)
    plt.show()

4.4.1. 最高產(chǎn)作者 TOP20

上面，我們從收藏量指標進行了分析,下面，我們關(guān)注一下發(fā)布文章的作者（個人/媒體）。前面提到發(fā)文最多的是虎嗅官方，有一萬多篇文章，這里我們篩除官媒，看看還有哪些比較高產(chǎn)的作者。

可以看到，前 20 名作者的發(fā)文量差距都不太大。發(fā)文比較多的有「娛樂資本論」、「Eastland」、「發(fā)條橙子」這類媒體號；也有虎嗅官網(wǎng)團隊的作者：發(fā)條橙子、周超臣、張博文等；還有部分獨立作者：假裝FBI、孫永杰等?？梢試L試關(guān)注一下這些高產(chǎn)作者。

代碼實現(xiàn)如下：

1
2
3
4
5
6
7
8
9
10
11
12
13

def analysis3(data):
    data = data.groupby(data['name'])['title'].count()
    data = data.sort_values(ascending=False)
# pandas 直接繪制,.invert_yaxis()顛倒順序
    data[1:21].plot(kind='barh',color=color_line).invert_yaxis()
    for y,x in enumerate(list(data[1:21].values)):
        plt.text(x+12,y+0.2,'%s' %round(x,1),ha='center',color=colors)
    plt.xlabel('文章數(shù)量')
    plt.ylabel('作者')
    plt.title('發(fā)文數(shù)量最多的 TOP20 作者',color = colors,fontsize=fontsize_title)
    plt.tight_layout()
    plt.savefig('發(fā)文數(shù)量最多的TOP20作者.png',dpi=200)
    plt.show()

4.4.2. 平均文章收藏量最多作者 TOP 10

我們關(guān)注一個作者除了是因為文章高產(chǎn)以外，可能更看重的是其文章水準。這里我們選擇「文章平均收藏量」（總收藏量/文章數(shù)）這個指標，來看看文章水準比較高的作者是哪些人。

這里，為了避免出現(xiàn)「某作者只寫了一篇高收藏率的文章」這種不能代表其真實水準的情況，我們將篩選范圍定在至少發(fā)布過 5 篇文章的作者們。

可以看到，前 10 名作者包括：遙遙領(lǐng)先的 重讀、兩位高產(chǎn)又有質(zhì)量的 辯手李慕陽 和 飯統(tǒng)戴老板 ，還有大眾比較熟悉的 高曉松、寧南山 等。

如果你將這份名單和上面那份高產(chǎn)作者名單進行對比，會發(fā)現(xiàn)他們沒有出現(xiàn)在這個名單中。相比于數(shù)量，質(zhì)量可能更重要吧。

下面，我們就來看看排名第一的 重讀 都寫了哪些高收藏量文章。

居然寫的都是清一色關(guān)于馬老板家的文章。

了解了前十名作者之后，我們順便也看看那些處于最后十名的都是哪些作者。

一對比，就能看到他們的文章收藏量就比較寒磣了。尤其好奇最后一位作者 Yang Yemeng ，他寫了 7 篇文章，竟然一個收藏都沒有。

來看看他究竟寫了些什么文章。

原來寫的全都是英文文章，看來大家并不太鐘意閱讀英文類的文章啊。

具體實現(xiàn)代碼：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

def analysis4(data):
    data = pd.pivot_table(data,values=['favorites'],index='name',aggfunc=[np.sum,np.size])
    data['avg'] = data[('sum','favorites')]/data[('size','favorites')]
# 平均收藏數(shù)取整
# data['avg'] = data['avg'].round(decimals=1)
    data['avg'] = data['avg'].astype('int')
# flatten 平鋪列
    data.columns = data.columns.get_level_values(0)
    data.columns = ['total_favorites','ariticls_num','avg_favorites']
# 篩選出文章數(shù)至少5篇的
    data=data.query('ariticls_num > 4')
    data = data.sort_values(by=['avg_favorites'],ascending=False)
# # 查看平均收藏率第一名詳情
# data = data.query('name == "重讀"')
# # 查看平均收藏率倒數(shù)第一名詳情
# data = data.query('name == "Yang Yemeng"')
# print(data[['title','favorites','write_time']])
    print(data[:10]) 	# 前10名
    print(data[-10:])	# 后10名

4.5. 文章評論數(shù)最多 TOP10

說完了收藏量。下面，我們再來看看評論數(shù)量最多的文章是哪些。

基本上都是和 三星 有關(guān)的文章，這些文章大多來自 2014 年，那幾年 三星 好像是挺火的，不過這兩年國內(nèi)基本上都見不到三星的影子了，世界變化真快。

發(fā)現(xiàn)了兩個有意思的現(xiàn)象。

第一，上面關(guān)于 三星 和前面 阿里 的這些批量文章，它們「霸占」了評論和收藏榜，結(jié)合知乎上曾經(jīng)的一篇關(guān)于介紹虎嗅這個網(wǎng)站的文章：虎嗅網(wǎng)其實是這樣的 ，貌似能發(fā)現(xiàn)些微妙的事情。

第二，這些文章評論數(shù)和收藏數(shù)兩個指標幾乎呈極端趨勢，評論量多的文章收藏量卻很少，評論量少的文章收藏量卻很多。

我們進一步觀察下這兩個參數(shù)的關(guān)系。

可以看到，大多數(shù)點都位于左下角，意味著這些文章收藏量和評論數(shù)都比較低。但也存在少部分位于上方和右側(cè)的異常值，表明這些文章呈現(xiàn) 「多評論、少收藏」或者「少評論、多收藏」的特點。

4.6. 文章標題長度

下面，我們再來看看文章標題的長度和收藏量之間有沒有什么關(guān)系。

大致可以看出兩點現(xiàn)象：

第一，收藏量高的文章，他們的標題都比較短（右側(cè)的部分散點）。

第二，標題很長的文章，它們的收藏量都非常低（左邊形成了一條垂直線）。

看來，文章起標題時最好不要起太長的。

實現(xiàn)代碼如下：

1
2
3
4
5
6
7
8
9
10
11

def analysis5(data):
    plt.scatter(
        x=data['favorites'],
        y =data['comment'],
        s=data['title_length']/2,
        )
    plt.xlabel('文章收藏量')
    plt.ylabel('文章評論數(shù)')
    plt.title('文章標題長度與收藏量和評論數(shù)之間的關(guān)系',color = colors,fontsize=fontsize_title)
    plt.tight_layout() 
    plt.show()

文章標題形式

下面，我們看看作者在起文章標題的時候，在標點符號方面有沒有什么偏好。

可以看到，五萬篇文章中，大多數(shù)文章的標題是陳述性標題。三分之一（34.8%） 的文章標題使用了問號「？」，而僅有 5% 的文章用了嘆號「！」。通常，問號會讓人們產(chǎn)生好奇，從而想去點開文章；而嘆號則會帶來一種緊張或者壓迫感，使人不太想去點開。所以，可以嘗試多用問號而少用嘆號。

4.7. 文本分析

最后，我們從這 5 萬篇文章中的標題和摘要中，來看看虎嗅網(wǎng)的文章主要關(guān)注的都是哪些主題領(lǐng)域。

這里首先運用了 jieba 分詞包對標題進行了分詞，然后用 WordCloud 做成了詞云圖，因虎嗅網(wǎng)含有「虎」字，故選取了一張老虎頭像。（關(guān)于 jieba 和 WordCloud 兩個包，之后再詳細介紹）

可以看到文章的主題內(nèi)容側(cè)重于：互聯(lián)網(wǎng)、知名公司、電商、投資這些領(lǐng)域。這和網(wǎng)站本身對外宣傳的核心內(nèi)容，即「關(guān)注互聯(lián)網(wǎng)與移動互聯(lián)網(wǎng)一系列明星公司的起落軌跡、產(chǎn)業(yè)潮汐的動力與趨勢，以及互聯(lián)網(wǎng)與移動互聯(lián)網(wǎng)如何改造傳統(tǒng)產(chǎn)業(yè)」大致相符合。

實現(xiàn)代碼如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

def analysis6(data):
    text=''
    for i in data['title'].values:
        symbol_to_replace = '[!"#$%&\'()*+,-./:;<=>?@，。?★、…【】《》？“”‘’！[\\]^_`{|}~]+'
        i = re.sub(symbol_to_replace,'',i)
        text+=' '.join(jieba.cut(i,cut_all=False))
    d = path.dirname(__file__) if "__file__" in locals() else os.getcwd()

    background_Image = np.array(Image.open(path.join(d, "tiger.png")))
    font_path = 'C:\Windows\Fonts\SourceHanSansCN-Regular.otf'  # 思源黑字體

# 添加stopswords
    stopwords = set()
# 先運行對text進行詞頻統(tǒng)計再排序，再選擇要增加的停用詞
    stopwords.update(['如何','怎么','一個','什么','為什么','還是','我們','為何','可能','不是','沒有','哪些','成為','可以','背后','到底','就是','這么','不要','怎樣','為了','能否','你們','還有','這樣','這個','真的','那些'])
    wc = WordCloud(
        background_color = 'black',
        font_path = font_path,
        mask = background_Image,
        stopwords = stopwords,
        max_words = 2000,
        margin =2,
        max_font_size = 100,
        random_state = 42,
        scale = 2,
    )
    wc.generate_from_text(text)
    process_word = WordCloud.process_text(wc, text)
# 下面是字典排序
    sort = sorted(process_word.items(),key=lambda e:e[1],reverse=True) # sort為list
    print(sort[:50])  # 輸出前詞頻最高的前50個，然后篩選出不需要的stopwords，添加到前面的stopwords.update()方法中
    img_colors = ImageColorGenerator(background_Image)
    wc.recolor(color_func=img_colors)  # 顏色跟隨圖片顏色
    plt.imshow(wc,interpolation='bilinear')
    plt.axis('off')
    plt.tight_layout()  # 自動控制空白邊緣
    plt.savefig('huxiu20.png',dpi=200)
    plt.show()

上面的關(guān)鍵詞是這幾年總體的概況，而科技互聯(lián)網(wǎng)行業(yè)每年的發(fā)展都是不同的，所以，我們再來看看歷年的一些關(guān)鍵詞，透過這些關(guān)鍵詞看看這幾年互聯(lián)網(wǎng)行業(yè)、科技熱點、知名公司都有些什么不同變化。

可以看到每年的關(guān)鍵詞都有一些相同之處，但也不同的地方：

• 中國互聯(lián)網(wǎng)、公司、蘋果、騰訊、阿里等這些熱門關(guān)鍵詞一直都是熱門，這幾家公司真是穩(wěn)地一批啊。

• 每年會有新熱點涌現(xiàn)：比如 2013 年的微信（剛開始火）、2016 年的直播（各大直播平臺如雨后春筍般出現(xiàn)）、2017年的 iPhone（上市十周年）、2018年的小米（上市）。

• 不斷有新的熱門技術(shù)出現(xiàn)：2013 - 2015 年的 O2O、2016 年的 VR、2017 年的 AI 、2018 年的「區(qū)塊鏈」。這些科技前沿技術(shù)也是這幾年大家口耳相傳的熱門詞匯。

通過這一幅圖，就看出了這幾年科技互聯(lián)網(wǎng)行業(yè)、明星公司、熱點信息的風云變化。

5. 小結(jié)

• 本文簡要分析了虎嗅網(wǎng) 5 萬篇文章信息，大致了解了近些年科技互聯(lián)網(wǎng)的千變?nèi)f化。

• 發(fā)掘了那些優(yōu)秀的文章和作者，能夠節(jié)省寶貴的時間成本。

• 一篇文章要想傳播廣泛，文章本身的質(zhì)量和標題各占一半，文中的5 萬個標題相信能夠帶來一些靈感。

• 本文尚未做深入的文本挖掘，而文本挖掘可能比數(shù)據(jù)挖掘涵蓋的信息量更大，更有價值。進行這些分析需要機器學習和深度學習的知識，待后期學習后再來補充。

—END—

想要了解更多關(guān)于用戶運營的干貨知識，請繼續(xù)關(guān)注135編輯器。