View on GitHub

awesome_crawl

腾讯新闻、知乎话题、微博粉丝,Tumblr爬虫、斗鱼弹幕、妹子图爬虫、分布式设计等

胡歌所有微博粉丝

最近偶然间看到一条新闻,标题是:“胡歌作为一个男性明星,男粉丝比女粉丝还多,这不科学!”

文中这样说道“胡歌在微博上的粉丝就已经达到了5748.9398万人,并且通过查看粉丝可以发现许多都是男性粉丝,这不得不说这是独一无二了”

当时我就震惊了,“通过查看粉丝”???这是什么操作,现在的UC小编越来越多了吗?

我作为一名老胡的粉丝,简直是不能忍,这完全是在瞎写啊。

所以我有个想法,把胡歌微博上六千万粉丝数据爬取下来,看看到底男粉丝多还是女粉丝多。

大家可以在自己心中猜测一个答案,到底男粉多还是女粉多呢~~。我的答案是男性比较多。

分析问题

这里可以看到胡歌微博粉丝总数约6千万,本次我的目标就是尽力去找到胡歌活跃粉丝的男女比例。

但是我们知道微博是有限制的,微博不会把所有数据都展示出来,如图

那么问题来了,我要怎样才能尽可能多的抓到粉丝数据?

这里我就想要尽可能多的抓取到老胡的活跃粉丝, 所谓活跃粉丝,指的是除去“不转发、不评论、不点赞”这些“三不”用户,是活跃的、有参与的用户。这些用户才是真正有价值的,正好去除了僵尸粉。

两种思路

采集微博粉丝,目前我有两种方法来解决这个问题,:

  1. 全量采集。采集微博所有用户数据,包括关注、粉丝等。通过粉丝的粉丝、关注的关注、用户分类、推荐等等各种方法拿到微博全量用户数据。
  2. 采样。采集胡歌的所有微博下有评论、点赞、转发的用户,凡是有参与过的亲密值加一,当这个值超过一定限度时(比如说5或者10),我们就认为该用户是胡歌的粉丝。

想了想,第一种方法短时间内是不现实的,方法2倒是可以尝试一波。

爬虫逻辑

爬虫分为三步:

  1. 采集胡歌所有微博
  2. 采集每条微博的三类数据(转发、评论、点赞)
  3. 数据清洗

好了,现在已经非常清晰了,下面就开始去寻找爬取方法。

微博接口

根据以往的经验,weibo.cn 和 m.weibo.cn 是最简单爬取的,weibo.com 是最难的。这次我们从 m.weibo.cn 入手,分析可以得到胡歌微博的接口,而且是无需登录的!!!很重要。其他入口都需要解决登录难题!

https://m.weibo.cn/api/container/getIndex?containerid=1076031223178222&page={}

返回数据:

cardlistInfo: {
containerid: "1076031223178222",
v_p: 42,
show_style: 1,
total: 3643,
page: 2
},

这里告诉我们总共有3643条数据,每页10条,那么翻页就很清晰了。

其他接口

转发:https://m.weibo.cn/api/statuses/repostTimeline?id=4238119278366780&page={}

评论:https://m.weibo.cn/api/comments/show?id=4238119278366780&page={}

点赞:https://m.weibo.cn/api/attitudes/show?id=4238119278366780&page={}

(想要爬其他人,替换这里的id即可)

暂时不清楚总共有多少页,虽然返回的数据中有 total_number ,但是此数字并不准确,还需要更多测试。

total_number: 19526897,
hot_total_number: 0,
max: 1952690

(简单测后发现总页数为total_number//55

采集用户信息接口

https://m.weibo.cn/api/container/getIndex?type=uid&value=6114792181

其实不需要这一次请求,因为在转发接口中已经有我们想要的数据了,如下:

user: {
id: 6431898981,
screen_name: "豪气superiority",
profile_image_url: "https://tvax2.sinaimg.cn/crop.9.0.220.220.180/0071hAK9ly8fmdxpea2vxj306n064glj.jpg",
profile_url: "https://m.weibo.cn/u/6431898981?uid=6431898981&featurecode=20000320",
statuses_count: 7255,
verified: false,
verified_type: -1,
close_blue_v: false,
description: "",
gender: "m",
mbtype: 0,
urank: 4,
mbrank: 0,
follow_me: false,
following: false,
followers_count: 2,
follow_count: 62,
cover_image_phone: "https://tva1.sinaimg.cn/crop.0.0.640.640.640/549d0121tw1egm1kjly3jj20hs0hsq4f.jpg",
avatar_hd: "https://wx2.sinaimg.cn/orj480/0071hAK9ly8fmdxpea2vxj306n064glj.jpg",
like: false,
like_me: false,
badge: {
user_name_certificate: 1,
wenchuan_10th: 1
}

很蛋疼的是,点赞和评论接口中并没有相关数据,所以点赞和评论部分要重新爬取,如下:

{
id: 4247512245791226,
created_at: "5分钟前",
source: "微博 weibo.com",
user: {
id: 6114792181,
screen_name: "Ming_54456",
profile_image_url: "https://tvax1.sinaimg.cn/crop.367.164.918.918.180/006FP2Mlly8fjs2mf3x6pj319x0yoqbo.jpg",
verified: false,
verified_type: -1,
mbtype: 12,
profile_url: "https://m.weibo.cn/u/6114792181?uid=6114792181&featurecode=20000320",
remark: "",
following: false,
follow_me: false
}
},

微博官方API同样提供相应数据 ,建议使用前仔细阅读 接口访问频次权限

爬虫代码

爬虫完整代码可以去我的公众号(Python爬虫与算法进阶),回复“微博”获得。

爬虫语言是Python3,使用Scrapy框架,数据保存在mongo,没有使用分布式,单机3天跑完。

因为微博的反爬,需要大量代理支撑。

# code is far away from bugs with the god animal protecting
    I love animals. They taste delicious.
              ┏┓      ┏┓
            ┏┛┻━━━┛┻┓
                        
              ┳┛  ┗┳  
                        
            ┗━┓      ┏━┛
                      ┗━━━┓
                  神兽保佑    ┣┓
                ┃ 永无BUG   ┏┛
                ┗┓┓┏━┳┓┏┛
                  ┃┫┫  ┃┫┫
                  ┗┻┛  ┗┻┛

爬取的数据实例:

{
    "_id" : ObjectId("5b162d10e0eafb1d6e63b460"),
    "id" : NumberLong(5372682651),
    "statuses_count" : 10599,
    "screen_name" : "用户5372682651",
    "profile_url" : "https://m.weibo.cn/u/5372682651?uid=5372682651",
    "description" : "暂无数据",
    "gender" : "f",
    "followers_count" : 80,
    "follow_count" : 1060
}

简单数据清洗

最终跑完一次爬到的数据有3889285,因为有大量页面会跳转到登录页面,对这些请求做一个重试效果会好些。

数据清洗对我来说真的是个头疼的问题,找了很多相关资料,最后使用了mongo的aggregate方法,该方法也是我第一次使用,下面是代码:

db.getCollection('Weibo').aggregate(
    [
        {"$group" : {_id:{id:"$id",gender:"$gender"}, count:{$sum:1}}},
        {$sort:{"count":-1}},
        { $out:"result"},
    ],
    {
      allowDiskUse:true,
      cursor:{}
    }  
)

结果产生了一张新的表,对每个ID进行统计,并排序,如下:

{
    "_id" : {
        "id" : NumberLong(5737668415),
        "gender" : "f"
    },
    "count" : 106701.0
}
{
    "_id" : {
        "id" : NumberLong(5909154992),
        "gender" : "m"
    },
    "count" : 72298.0
}

参与次数达到十万次,天呐,超级真爱粉,缘来是她,疯狂刷屏有没有

好了,现在开始看看真正的数据吧。

本次共采集用户数据3889285条,,原始数据中男性占比%33.68,女性占比%66.32,好吧,看来女性粉丝更多;去重之后数据共有1129035,男性占比%29.58,女性占比%70.42,怎么看着女性粉丝还是更多呢。。

我们再来计算一个数据,亲密度大于10的粉丝共有16486位,其中男性占比%24.05,女性占比%75.95,于是有下面这张表格。

亲密度 男性占比 女性占比 粉丝总数
大于0 29.58% 70.42% 1129035
大于10 24.05% 75.95% 16486
大于50 32.77% 67.23% 4285
大于100 36.77% 63.23% 2578
大于1000 40.18% 59.82% 331
大于10000 37.5% 62.5% 24
Top10 30.00% 70.00% 10

这个数据挺有意思的,画张表瞧瞧

粉丝昵称词云

(感谢BDP)

结论

看了这些数据,相信大家自己心中已经有了答案。

胡歌作为一个玉树临风、 英俊潇洒、 风流倜傥、 一表人才、 高大威猛、 气宇不凡、 温文尔雅、 品貌非凡、 仪表不凡的男人,女粉丝比较多是很正常的。但是为啥大家都会有一种男粉丝比女粉丝多的错觉呢,我觉得是对比产生的感觉。我拿胡歌与其他小鲜肉作对比,肯定会跟欣赏胡歌。你说呢?

本文并不是为了证明什么,只是作为一名普通粉丝想去看看更多东西。其实本次数据爬取有很多地方需要优化,大家不用太过当真。如果你有更好的分析数据的想法,可以联系我。

老大镇楼