Python爬取微信公众号历史文章进行数据分析，发现2017年运营总结，可以这样写!...

作者：刘晓明，互联网公司运维技术负责人，拥有10年的互联网开发和运维经验。一直致力于运维工具的开发和运维专家服务的推进，赋能开发，提高效能。广告时间：最后给自己代个盐~~欢迎大家有空时翻下我牌子(知乎号：布道 )，看看“开发运维”专栏的文章，希望多些关注和点赞是给作者最好的鼓励！

2017年转眼之间就过完，心挺累，人挺烦，想想都是为了钱。今天，我们以CSDN公众号为例，用Python看看2017年公众号运营都做了啥？

微信公众号的文章爬取有三种方式：

a. 通过微信订阅号在发布文章，可以查找公众号的文章，方式见微信链接。，阅读数、点赞数、评论数仍无法抓取。

b. 通过搜狗微信搜索微信公众号，但是文章篇幅仍然后有限制，点赞、阅读数、和评论数无法抓取。

c. 通过“中间人方式”对数据进行拦截，过滤解析后进行抓取。

本文就时利用第三种c方式对数据进行抓取。

思路：

1. 安装代理AnProxy，在手机端安装CA证书，启动代理，设置手机代理；

2. 获取目标微信公众号的__biz;

3. 进入微信公众号的历史页面；

4. 使用Monkeyrunner控制滑屏；获取更多的历史消息；

5. 记录文章标题，摘要，创建时间，创作类型，地址等等；

6. 文章列表获取完成后，利用Monkeyrunner进入文章的列表，

7. 记录文章的阅读数，点赞数，评论数等；

8. 重复以上操作。

数据爬取结果（数据截止:2017-12-26）

（备注：如需要数据源请知乎关注“布道”，私信向我索取。有公众号文章爬取需求的亦可联系我！）

数据分析

文章发布数量分析：

文章总数：914篇，每个月发布情况如下：

import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin1.xlsx',encoding= 'utf-8',header=1,names=name,)
df['文章数'] = pd.to_datetime(df['日期']).dt.month
date = pd.DataFrame(df['文章数'].value_counts())
plt.figure(figsize=(15, 5))
plt.title('CSDN公众号文章发布情况')
plt.xlabel('月份')
plt.ylabel('文章数')
plt.xticks((1,2,3,4,5,6,7,8,9,10,11,12),('2017-01','2017-02','2017-03','2017-04','2017-05','2017-06','2017-07','2017-08','2017-09','2017-10','2017-11','2017-12'))
plt.plot(date.sort_index(),color='green',linestyle='dashed', marker='o', markerfacecolor='blue', markersize=8,)
plt.show()

通过发布文章次数的曲线来看，CSDN在4月份的才正式确定运营微信公众号，在11月份和12月份月发布次数已经超过100篇，每天6篇文章已经成为常态，小姐姐确实不容易啊，手动点赞！
创作类型分析：

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin1.xlsx',encoding= 'utf-8',header=1,names=name,)
data = pd.DataFrame(df['创作类型'].value_counts())
explode=[0,0,0,0,0]
plt.figure(figsize=(15, 6))
plt.axes(aspect=1)
plt.title('文章创作情况',fontsize=18)
plt.pie(x=data,autopct='%.2f%%',explode=explode,shadow=True,labels=['原创','未标记作者','创作或转发','其它','未知'])
plt.show()

通过文章的创作情况来看，一半以上的文章都是原创。基本上每天至少有一篇原创的文章。

有这样的文采，确实是难得的人才。

阅读数分析：

import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
data = df[['阅读数']]
a = data.sort_values(by=['阅读数'],ascending=False)
one = a[a['阅读数']>=70000].size
two = a[(a['阅读数']>=30000) & (a['阅读数']<70000)].size
three = a[(a['阅读数']>=10000) & (a['阅读数']<30000)].size
four = a[(a['阅读数']>=1000) & (a['阅读数']<10000)].size
five = a[(a['阅读数']<1000)].size
explode=[0.3,0,0,0,0]
fras = [one,two,three,four,five]
plt.figure(figsize=(15, 5))
plt.axes(aspect=1)
plt.title('阅读数分布比例',fontsize=18)
plt.pie(x=fras,autopct='%.2f%%',explode=explode,shadow=True,labels=['大于70,000','30,000~70,000','10,000~30,000','1000~10,000','小于1,000'])
plt.show()

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin1.xlsx',encoding= 'utf-8',header=1,names=name,)
df_read = df[['标题','阅读数']]
data_read = df.sort_values(by=['阅读数'],ascending=False)
data_read.index = data_read['标题']
var = data_read['阅读数'][:10]
plt.figure(figsize=(15, 6))
plt.title('阅读数 TOP10 的文章',fontsize=18)
plt.xlabel('数量',fontsize=18)
plt.ylabel('标题',fontsize=18)
var.plot(kind='barh', stacked=True,alpha=0.5, color=['red'])
plt.show()

由于阅读数超过10W，返回值为100001，具体数字是多少，前后台不得而知。整体文章质量比较高，不乏有10万+的文章出现。大V，对技术资讯的传播具有很大的影响力！

点赞数分析：

import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
data = df[['点赞数']]
a = data.sort_values(by=['点赞数'],ascending=False)
one = a[a['点赞数']>=200].size
two = a[(a['点赞数']>=50) & (a['点赞数']<200)].size
three = a[(a['点赞数']<50)].size
explode=[0.3,0,0]
fras = [one,two,three]
plt.figure(figsize=(15, 5))
plt.axes(aspect=1)
plt.title('点赞数分布比例',fontsize=18)
plt.pie(x=fras,autopct='%.2f%%',explode=explode,shadow=True,labels=['大于200','50~100','小于50'])
plt.show()

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin1.xlsx',encoding= 'utf-8',header=1,names=name,)
df = df[['标题','点赞数']]
data = df.sort_values(by=['点赞数'],ascending=False)
data.index = data['标题']
var = data['点赞数'][:10]
plt.figure(figsize=(15, 6))
plt.title('点赞数 TOP10 的文章',fontsize=18)
plt.xlabel('数量',fontsize=18)
plt.ylabel('标题',fontsize=18)
var.plot(kind='barh', stacked=True,alpha=0.7, color=['green'])
plt.show()

“中兴跳楼程序员妻子：他们就这样把我老公逼死了”文章点赞数1542，“我们愤恨于现实，在互联网内外，公司调整牺牲员工利益的不公平不道德之事时有发生，尤其是在互联网公司，裁员更是屡见不鲜，尤以“为什么总说程序员是吃青春饭的？”为重。而到了个人身上，随着年岁增长，学习、精神等的下降，上有老下有小，面对突然的被辞退，压力可想而知，但是当事情发生之时，我们还是要尽可能地调整心态，网上评论的很多，这种基层主管处于不上不下的尴尬处境，只能考虑降低心理预期，哪怕是从头再来呢。生活固然残酷，但也不要轻易放弃，毕竟还有自己爱和爱自己的人啊！”，大家对此特别赞同！

评论数分析：

import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin.xlsx',encoding= 'utf-8',header=1,names=name,)
data = df[['评论数']]
a = data.sort_values(by=['评论数'],ascending=False)
one = a[a['评论数']>=50].size
two = a[(a['评论数']>=20) & (a['评论数']<50)].size
three = a[(a['评论数']<20)].size
explode=[0.3,0,0]
fras = [one,two,three]
plt.figure(figsize=(15, 5))
plt.axes(aspect=1)
plt.title('评论数分布比例',fontsize=18)
plt.pie(x=fras,autopct='%.2f%%',explode=explode,shadow=True,labels=['大于50','20~50','小于20'])
plt.show()

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib.pyplot as plt
name=['日期','时间','标题','作者','摘要','创作类型','是否头条号','阅读数','点赞数','评论数','地址']
df = pd.read_excel('weixin1.xlsx',encoding= 'utf-8',header=1,names=name,)
df = df[['标题','评论数']]
data = df.sort_values(by=['评论数'],ascending=False)
data.index = data['标题']
var = data['评论数'][:10]
plt.figure(figsize=(15, 5))
plt.title('评论数 TOP10 的文章',fontsize=18)
plt.xlabel('数量',fontsize=18)
plt.ylabel('标题',fontsize=18)
var.plot(kind='barh', stacked=True,alpha=0.7, color=['blue'])
plt.show()

“程序猿的一天就是这么糟心！留言有机会获《程序员》一年”抢福利，“程序员有什么错？凭什么杀我祭天”、“程序员的反思：不要一辈子靠技术生存”有争议的话题纷纷发表自己的看法。

2017年最受欢迎的10篇文章：

NO1：中兴跳楼程序员妻子：他们就这样把我老公逼死了。

摘要：愿逝者安息，生者坚强。

作者：苏宓&沭七阅读数：100001

点赞数：154

评论数：99

NO2：程序员有什么错？凭什么杀我祭天。

摘要：近几年各大 App 的“更新日志”们挣脱了传统的枷锁，开始彻底放飞了自我！nn提起“更新日志”界的网红人物，第一位莫过于混迹各大公司的 Peter 先生！

作者：屠敏阅读数：100001

点赞数：727

评论数：100

NO3：重大改革：Python 语言将被加入高考科目，VB 惨被淘汰！

摘要：近期，浙江省信息技术课程改革方案出台，Python 确定进入浙江省信息技术高考，从2018年起浙江省信息技术教材编程语言将会从 VB 更换为Python。

作者：无

阅读数：100001

点赞数：207

评论数：79

NO4：今天，美团程序员的年终奖金可能没了。

摘要：转眼间，一年时间余额已不足十二分之一，想想至少为了年终奖，此时也要撸起袖子加油干。然而，今天出现的一个大规模 Bug，很可能直接导致美团的程序员们错失了丰厚年终奖的机会。

作者：苏宓

阅读数：100001

点赞数：111

评论数：44

NO5:Wi-Fi 爆重大安全漏洞，Android、iOS、Windows 等所有无线设备都不安全了。

摘要：无论你在家还是在公众场合，无论你是 Android 还是 iPhone 手机，只要连接了 Wi-Fi ，都不再安全。

作者：苏宓

阅读数：81282

点赞数：98

评论数：38

NO6：15个句号导致微信 ANR，你中招了吗？附原理解析与解决方案。

摘要：15。。。。。。。。。。。。。。。导致安卓手机微信卡死，你中招了么？

作者：屠敏

阅读数：80123

点赞数：144

评论数：98

NO7: 为什么现在的监控系统容易硬盘坏？附原理解析。

摘要：分享一则技术贴。

作者：无

阅读数：70302

点赞数：157

评论数：41

NO8: 致永远离开我们的一位程序员。

摘要：为什么在代码之外的世界里，作为程序员的我们，会频遭维艰的窘境？nn致这位永远离开我们的开发者，愿天堂没有恶人相逼，愿你可做自己喜欢的事情。

作者：班布里

阅读数：67689

点赞数：108

评论数：92

NO9: 任正非致歉华为前程序员：回来吧，公司错了。

摘要：当年岁增长，究竟是在技术一线的道路上一直走下去？还是转而做管理人员？又该如何兼顾工作与家庭？

作者：唐小引

阅读数：65206

点赞数：199

评论数：94

NO10: 马云说，即使阿里巴巴死了，达摩院也要活着。

摘要：用马云的原话就是：阿里巴巴要走 102 年非常之艰难，达摩院必须要比阿里巴巴活的时间长。

作者：沭七

阅读数：59097

点赞数：191

评论数：74

虽然不知道在2017年增加多少粉，但是通过分析来看，公众号通过一年的运营已经成为技术类公众号的主流媒体。若我是老板，年终奖一定会给公众号运营同学包个大红包，2018年升职加薪！