本文轉(zhuǎn)載至知乎ID：Charles（白露未晞）知乎個(gè)人專欄

下載W3Cschool手機(jī)App，0基礎(chǔ)隨時(shí)隨地學(xué)編程>>戳此了解

導(dǎo)語(yǔ)

利用Python爬取并簡(jiǎn)單分析魚C論壇的魚油數(shù)據(jù)。因?yàn)椴幌胗绊懻搲恼＿\(yùn)作，給論壇服務(wù)器帶來不必要的壓力，所以爬蟲代碼里寫了很多sleep語(yǔ)句，花了大概一個(gè)星期的時(shí)間湊了40萬條數(shù)據(jù)(然后數(shù)據(jù)清洗的時(shí)候發(fā)現(xiàn)大部分?jǐn)?shù)據(jù)是無效的T_T)。因?yàn)閿?shù)據(jù)都在相關(guān)文件里提供了，所以就不要自己重新爬了，因?yàn)檎搲路饹]有什么反爬措施，所以爬蟲代碼并沒有什么學(xué)習(xí)價(jià)值，隨便瞟一眼就行了。

OK，讓我們愉快地開始吧~

相關(guān)文件

開發(fā)工具

Python版本：3.6.4

相關(guān)模塊：

requests模塊；

fake_useragent模塊；

pyechart模塊；

以及一些python自帶的模塊。

環(huán)境搭建

安裝Python并添加到環(huán)境變量，pip安裝需要的相關(guān)模塊即可。

原理簡(jiǎn)介

其實(shí)爬蟲的文章我一般寫的比較水，然后偶爾瞅了瞅別人的文章，發(fā)現(xiàn)基本是數(shù)據(jù)獲取，清洗，最后可視化分析這個(gè)流程，于是打算稍微模仿一下，雖然我可能還是會(huì)寫的比較隨意and極其不專業(yè)。

數(shù)據(jù)獲取：

這部分很簡(jiǎn)單，魚C論壇每個(gè)魚油的個(gè)人主頁(yè)除了uid不同，其他都是一樣的：

挨個(gè)請(qǐng)求每個(gè)魚油個(gè)人主頁(yè)的url，然后把返回的內(nèi)容保存起來就可以了：

最后獲得的數(shù)據(jù)大概這么多，一共40萬條左右吧，雖然大部分是無效的。

數(shù)據(jù)清洗：

接下來我們從每個(gè)魚油的個(gè)人主頁(yè)中提取一些有用的數(shù)據(jù)，例如性別、生日、出生地、學(xué)歷等內(nèi)容，具體代碼實(shí)現(xiàn)如下：

最后剩下的數(shù)據(jù)大概這么多：

他喵的這也太真實(shí)了吧，最后大概只剩下了1萬多條數(shù)據(jù)，簡(jiǎn)直了。然后我去看了下，發(fā)現(xiàn)很多魚油的主頁(yè)是這樣的：

還有很多uid是無效用戶：

本來想重新爬的，后來感覺還得拖幾天太麻煩了，算了，就這樣吧，1萬條數(shù)據(jù)也是數(shù)據(jù)啊，反正估計(jì)全爬完也沒多少數(shù)據(jù)。

數(shù)據(jù)可視化分析：

首先，讓我們來看看魚C論壇魚油們的男女比例吧：

Emmmm，原來論壇里還是有女生的，我一直以為是沒有女生的。

OK，接下來我們來看看論壇里的魚油學(xué)歷分布情況吧：

竟然有將近200個(gè)博士，驚訝ing。

OK，接下來我們來看看論壇魚油們的省份分布吧，這里只統(tǒng)計(jì)了國(guó)內(nèi)的魚油：

看了魚C論壇的魚油們來自五湖四海，當(dāng)然在廣東省的魚油是最多的，目測(cè)論壇的壇主小甲魚應(yīng)該是廣東人吧。

再接下來，我們來看看魚C論壇魚油的年齡分布吧：

估計(jì)論壇里的魚油大部分還是90后的學(xué)生黨吧，雖然90后大多應(yīng)該已經(jīng)畢業(yè)了。

最后，我們?cè)賮砜纯凑搲锬膫€(gè)魚油比較土豪吧，也就是魚幣和C幣最多的魚油，統(tǒng)計(jì)結(jié)果如下圖所示：

本來想再分析分析技術(shù)值最高的魚油之類的，不過飯點(diǎn)到了，那就算了吧T_T。感興趣的同學(xué)可以自己下載數(shù)據(jù)繼續(xù)分析分析。

嗯，就這樣吧，至少這類文章的寫作步驟應(yīng)該模仿對(duì)了，完整源代碼和數(shù)據(jù)詳見相關(guān)文件。

更多

代碼在2018年9月14日前測(cè)試無誤