Python爬取某网站数据分析报告，不满十八岁禁止观看

声明：此文并不是标题党，如果你不满18岁，请马上关闭，在父母陪同下观看也不行。
本文的数据抓取自国内最大的亚文化视频社区网站（不，不是 B 站），其中用户出于各种目的会在发帖的标题中加入城市名称，于是本文抓取了前10000个帖子的标题和发帖用户 ID，由于按照最近发帖的顺序排列，所以抓取数据基本上涵盖了2016年期间的发帖内容。然后通过匹配提取标题中所包含的城市信息，对16年活跃用户的归属地进行分析统计，另根据最近发布的《2016年中国主要城市 GDP 排名》：

检验两者之间是否存在某种程度的相关。
爬虫
当然本文的目的主要还是出于纯粹的技术讨论与实践，数据抓取和分析处理均使用 Python 完成，其中主要用到的数据处理和可视化工具包分别是Pandas和Plot.ly+Pandas。
由于网站使用较传统的论坛框架，经测试也没有防爬虫的措施，因此可以大胆地使用多线程，对于网页内容分析也可以直接用正则匹配完成：

import requests as req
import re
from threading import Thread
def parser(url):
res = req.get(url)
html = res.text.encode(res.encoding).decode()
titles = re.findall(RE_TITLE, html)
v = []
if titles is not None:
for title in titles:
if len(title) == 2 and title[-1] != 'admin':
if title[0][-1] != '>':
v.append(title)
return v
def worker(rag):
"""
将每个线程的数据临时存储到一个新的文本文件中即可。
"""
with open('{}+{}.txt'.format(rag), 'w+') as result:
for p in range(rag):
url = ENT_PAT.format(p)
for title in parser(url):
result.write("{}|{}
".format(*title))
def main():
threads = []
for i in range(len(SECTIONS)-1):
threads.append(Thread(target=worker, args=(SECTIONS[i:i+2],)))
for thr in threads:
thr.start()
if name == 'main':
main()

以上就是爬虫部分的代码（当然隐去了最关键的网址信息，当然这对老司机们来说并不是问题）。

Pandas

Pandas 可以看做是在 Python 中用于存储、处理数据的 Excel，与 R 语言中的 data.frame 的概念相似。首先将所有单独存储的文件中的数据导入到 Pandas：

import os
import pandas as pd
title, user = [], []
for root, _, filenames in os.walk('raws'):
for f in filenames:
with open(os.path.join(root, f), 'r') as txt:
for line in txt.readlines():
if line and len(line.split("|")) == 2:
t, u = line.split("|")
title.append(t)
user.append(u.strip())
data = pd.DataFrame({"title": title, "user": user})
保存到 csv 文件备用
data.to_csv("91.csv", index=False)

接下来以同样的方式将国内主要城市数据、2016主要城市 GDP 排行数据加载到 Pandas 中备用。

数据分析

首先需要明确以目前的数据可以探讨哪些有趣的问题：

各个城市的发帖总数；
各个城市的活跃用户数量；
以上两个数据结果与 GDP 之间的关系；
发帖形式分类（虽然这个问题的答案可能更有趣，以目前的数据量很难回答这问题，而且需要涉及到较复杂的 NLP，先写在这里）；
最活跃的用户来自哪里。

首先加载备用的数据：

import pandas as pd
TABLE_POSTS = pd.read_csv("91.csv")
TABLE_CITY = pd.read_csv("TABLE_CITY.csv")
TABLE_GDP = pd.read_csv("TABLE_GDP.csv")

匹配标题中是否存在城市的名称：

# 先替换可能出现的“昵称”
TABLE_POSTS.title = TABLE_POSTS.title.str.replace("帝都", "北京")
TABLE_POSTS.title = TABLE_POSTS.title.str.replace("魔都", "上海")
def query_city(title):
for city in TABLE_CITY.city:
if city in title:
return city
return 'No_CITY'
TABLE_POSTS['city'] = TABLE_POSTS.apply(
lambda row: query_city(row.title),
axis=1)
### 过滤掉没有出现城市名的数据：
posts_with_city = TABLE_POSTS.loc[TABLE_POSTS.city != 'No_CITY']
### 以城市名进行 groupby，并按发帖数之和倒序排列：
posts_with_city_by_posts = posts_with_city.groupby(by="city").count().sort_values("title", ascending=False)[['title']].head(20)

现在已经可以直接回答第一个问题了，用 Plot.ly 将 Pandas 中的数据可视化出来，有两种方式，我们选择较简单的 cufflinks 库，直接在 DataFrame 中绘制：

import cufflinks as cf
cf.set_config_file(world_readable=False,offline=True)
posts_with_city_by_posts.head(10).iplot(kind='pie',
labels='city',
values='title',
textinfo='label+percent',
colorscale='Spectral',
layout=dict(
title="City / Posts",
width="500",
xaxis1=None,
yaxis1=None))

前6名基本上不出什么意外，但是大山东排在第7名，这就有点意思了。为了排除某些“特别活跃”用户的干扰，将用户重复发帖的情况去除，只看发帖用户数量：

# 去除 user 栏中的重复数据
uniq_user = posts_with_city.drop_duplicates('user')
### 同样按照城市 groupby，然后倒序排列
posts_with_city_by_user = uniq_user.groupby(by="city").count().sort_values("title", ascending=False)[['title']].head(15)
posts_with_city_by_user.head(10).iplot(kind='pie',
values='title',
labels='city',
textinfo='percent+label',
colorscale='Spectral',
layout=dict(title="City / Users",
width="500",
xaxis1=None,
yaxis1=None))

Impressive，山东。至少说明还是比较含蓄，不太愿意写明具体的城市？是这样吗，这个问题可以在最后一个问题的答案中找到一些端倪。
接下来要和 GDP 数据整合到一起，相当于将两个 DataFrame 以城市名为键 join 起来：

posts_with_city_by_user_and_gdp = posts_with_city_by_user.merge(TABLE_GDP, left_on='city', right_on='city', how='inner')

由于有些漏掉的排行数据，同时由于人口数据较大，需要进行一定的预处理和标准化处理：

posts_with_city_by_user_and_gdp['norm_title'] =
posts_with_city_by_user_and_gdp.title/posts_with_city_by_user_and_gdp['pop']
posts_with_city_by_user_and_gdp['norm_rank'] =
posts_with_city_by_user_and_gdp['rank'].rank()
posts_with_city_by_user_and_gdp['x'] =
posts_with_city_by_user_and_gdp.index.max() - posts_with_city_by_user_and_gdp.index + 1
posts_with_city_by_user_and_gdp['y'] =
posts_with_city_by_user_and_gdp['norm_rank'].max() - posts_with_city_by_user_and_gdp['norm_rank'] + 1

绘制气泡图，气泡大小为用户数量与人口数的比，坐标值越大排行越高：

可以看到基本上存在一定程度的相关，但是到这里我们发现更有趣的数据应该是那些出现在 GDP 排行榜上却没有出现在网站排行上的城市，是不是说明这些城市更加勤劳质朴，心无旁骛地撸起袖子干呢？

good_cities = posts_with_city_by_user.merge(TABLE_GDP, left_o
="city", right_on="city", how="right")
good_cities[list(good_cities.title.isnull())][['city', 'rank', 'pop', 'title']]

注：由于 posts_with_city_by_user 只截取了前15，实际上青岛是排在前20的，从下一个结果中就能看出来…
最后一个问题，最活跃的老司机们都来自哪个城市？

user_rank = pd.DataFrame(TABLE_POSTS.user.value_counts().head(20))
user_rank.reset_index(level=0, inplace=True)
user_rank.columns = ['user', 'count']
user_rank.merge(posts_with_city[['user', 'city']], left_on='user', right_on='user', how='inner').drop_duplicates(['user','city'])

总结
以上就是全部数据与分析的结果。其实大部分只是一个直观的结果展示，既没有严谨的统计分析，也没有过度引申的解读。只有经过统计检验才能得出拥有可信度的结论，在一开始已经说明了本文只是纯粹的技术讨论与实践，所抓取的10000多条数据也只是网站中某个板块，因此对于以上结果不必太过认真。