爬取張佳瑋138萬知乎關注者：數據可視化

寫在前面

本文寫於一個月前，由於當時兩次申請知乎專欄都沒有成功，於是先首發於簡書：《爬取張佳瑋138w+知乎關注者：數據可視化》，並以文章的形式發在知乎，沒多少人看到。前幾天在@量子數據 寫的《50行python爬蟲代碼， 帶你正確打開知乎新世界！》下面留言提到了我的文章，才算多了幾十人點贊，於是帶著幾篇作品重新申請專欄終於成功，接下來會陸續將幾篇文章搬運進來。

聲明

轉載需告知，並標明作者和出處。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，爬取的數據不做公開。另外時間已過去一個月，關注了張公子的人數已經變為141w+，很多數據也有有所變化，請批判性地看待可視化結果。

一、前言

作為專欄里第一篇文章，先介紹下小背景，即為什麼爬知乎第一大V張公子的138w+關注者信息？

其實之前也寫過不少小爬蟲，按照網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2016-2017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；（更多照片見於：Deserts-X 我的相冊-北美帝國大廈亮燈圖：ZJU_120 logo）

也因為喜歡魯迅的作品，爬過在線魯迅全集的全部文章標題和鏈接；另外聽說太祖的某卷書是禁書，於是順帶也爬了遍毛選；還幫老同學在某票據網站下線前爬了大部分機構、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開源的可視化網站裡面的圖很酷炫，比如使我著迷的：微博簽到數據點亮中國，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查看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，數據量也大，這方面是之前小項目所不及的，此前也看過不少爬知乎數據與分析的文章，因此也想練練手，看看大量訪問與獲取數據時會不會遇到什麼封IP的反爬措施，以及數據可視化能搞成什麼樣。

不過此文在爬虫部分不做過多展開，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，然後改變網址中offset參數為20的倍數，一直翻頁直到獲取138w+關注者信息，其中返回的json數據主要有：關注者的昵稱、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，才能獲取更多信息（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、獲贊數、感謝數、收藏數等等。鑒於還不怎麼會多進程爬取，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信息，後續可視化也多基於此。

二、數據可視化

1、關注人數

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：

作為一隻小透明，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用戶，這對於有志於成為大V的人，或許能在艱難的前行之路上，靠此數據透露的信息，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+的用戶，數據能告知人經驗之外的事實，在此可見一斑。當然知乎大量用戶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+以上的數據，底部佔比依舊明顯，塔尖依然很小。

2、性別情況

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+用戶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。

3、10w+大V

前文已多次提到10w+大V，那麼這190人里到底都有誰呢？這裡以關注人數為權重，生成詞雲如下：

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）。

4、居住地分布

終於到了我最初開始這個項目時，最想獲取的的信息了。雖然由於爬取效率而篩選掉了100關注以下的id共134w，數據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+條較優質數據時，發現處理起來也並不容易。

比如這裡的居住地信息，有亂填水星、火星、那美剋星，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，數據之臟令人頭疼，且純文本的數據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，這樣就在數據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數據並可視化，第一次用Echarts就打算畫這個酷炫的地圖，因此最終先縮小數據量，還是以1w+大V的數據來可視化，目前先完成國內分布情況，以後看情況再擴大數據量和繪製全球分布情況。

其中出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。

5、Top20 系列

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（註：用戶有多條職業經歷或教育經歷的，僅爬取了最新的一條數據）：

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，而且湧入用戶多了後，這類數據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，互聯網遙遙領先，計算機軟體、金融、高等教育位居前四。

Top20 公司中BAT、網易、華為、小米科技、美團網以及谷歌、Facebook、微軟等大廠都悉數在列。再看Top20 職業里除了各種名號的程序員、產品經理、運營等互聯網職業，創始人、CEO等佔據前排，不可謂不令人大驚從早到晚失色。

6、認證信息

原本只知道博士可以提供信息得到認證，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、優質用戶的獎勵。

此次抓取的100+關注4.1w+條數據中有208條認證信息。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魔獸爭霸項目世界冠軍、職業自行車手、主持人、作家、歌手等等。看來還是有不少優質用戶可以後續去了解下的。

7、優秀回答者

除了認證信息外，優秀回答者這是鑒別某用戶是否為優質用戶，是否值得關注的一個重要指標。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。也有不少用戶貢獻了上千個回答，可以說是非常高產。但大部分用戶回答數<1000，收錄數<50。密集區域放大後如圖：

有不少數據收錄回答為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。另外這些數據點，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。

三、小結

本項目是個人第一次百萬級數據的爬取，當然由於爬取效率方面需要改進，所以詳細用戶信息選擇性的只爬了100+關注人數共4.1w+的id。另外也是第一次數據可視化，從完全不懂Echarts的各種參數，硬剛配置項，到勉強獲得了上述還算能看的一些數據圖，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、自定義的可視化圖。

另外，除卻上述數據外，還有點贊數、感謝數、收藏數、關注數和被關注數、簽名、個人簡介等等數據並未處理，但基本想要獲取的圖都得到了，算是完成了此項目，也學到了很多東西。