寫文章不會起標題？爬取虎嗅5萬篇文章告訴你
摘要：不少時候，一篇文章能否得到廣泛的傳播，除了文章本身實打實的質量以外，一個好的標題也至關重要。本文爬取了虎嗅網建站至今共 5 萬條新聞標題內容，助你找到起文章標題的技巧與靈感。同時，分享一些值得關注的文章和作者。
1. 分析背景
1.1. 為什麼選擇「虎嗅」
在眾多新媒體網站中，「虎嗅」網的文章內容和質量還算不錯。在「新榜」科技類公眾號排名中，它位居榜單第 3 名，還是比較受歡迎的。所以選擇爬取該網站的文章資訊，順便從中瞭解一下這幾年科技網際網路都出現了哪些熱點資訊。
「關於虎嗅」
虎嗅網創辦於 2012 年 5 月，是一個聚合優質創新資訊與人群的新媒體平臺。該平臺專注於貢獻原創、深度、犀利優質的商業資訊，圍繞創新創業的觀點進行剖析與交流。虎嗅網的核心，是關注網際網路及傳統產業的融合、明星公司的起落軌跡、產業潮汐的動力與趨勢。
1.2. 分析內容
-
分析虎嗅網 5 萬篇文章的基本情況，包括收藏數、評論數等
-
發掘最受歡迎和最不受歡迎的文章及作者
-
分析文章標題形式（長度、句式）與受歡迎程度之間的關係
-
展現近些年科技網際網路行業的熱門詞彙
1.3. 分析工具
2. 資料抓取
使用 pyspider 抓取了虎嗅網的主頁文章，文章抓取時期為 2012 年建站至 2018 年 11 月 1 日，共計約 5 萬篇文章。抓取 了 7 個欄位資訊：文章標題、作者、發文時間、評論數、收藏數、摘要和文章連結。
2.1. 目標網站分析
這是要爬取的 網頁介面，可以看到是通過 AJAX 載入的。
右鍵開啟開發者工具檢視翻頁規律，可以看到 URL 請求是 POST 型別，下拉到底部檢視 Form Data，表單需提交引數只有 3 項。經嘗試， 只提交 page 引數就能成功獲取頁面的資訊，其他兩項引數無關緊要，所以構造分頁爬取非常簡單。
1huxiu_hash_code: 39bcd9c3fe9bc69a6b682343ee3f024a
2page: 4
3last_dateline: 1541123160
接著，切換選項卡到 Preview 和 Response 檢視網頁內容，可以看到資料都位於 data 欄位裡。total_page 為 2004，表示一共有 2004 頁的文章內容，每一頁有 25 篇文章，總共約 5 萬篇，也就是我們要爬取的數量。
以上，我們就找到了所需內容，接下來可以開始構造爬蟲，整個爬取思路比較簡單。之前我們也練習過這一類 Ajax 文章的爬取，可以參考：
ofollow,noindex">做 PPT 沒靈感？澎湃網 1500 期資訊圖送給你
2.2. pyspider 介紹
和之前文章不同的是，這裡我們使用一種新的工具來進行爬取，叫做：pyspider 框架。由國人 binux 大神開發，GitHub Star 數超過 12 K，足以證明它的知名度。可以說，學習爬蟲不能不會使用這個框架。
網上關於這個框架的介紹和實操案例非常多，這裡僅簡單介紹一下。
我們之前的爬蟲都是在 Sublime 、PyCharm 這種 IDE 視窗中執行的，整個爬取過程可以說是處在黑箱中，內部執行的些細節並不太清楚。而 pyspider 一大亮點就在於提供了一個視覺化的 WebUI 介面，能夠清楚地檢視爬蟲的執行情況。
pyspider 的架構主要分為 Scheduler(排程器)、Fetcher(抓取器)、Processer(處理器)三個部分。Monitor(監控器)對整個爬取過程進行監控，Result Worker(結果處理器)處理最後抓取的結果。
該框架比較容易上手，網頁右邊是程式碼區，先定義類（Class）然後在裡面新增爬蟲的各種方法（也可以稱為函式），執行的過程會在左上方顯示，左下方則是輸出結果的區域。
這裡，分享幾個不錯的教程以供參考：
官方主頁：http://docs.pyspider.org/en/latest/
pyspider 爬蟲原理剖析：http://python.jobbole.com/81109/
pyspider 爬淘寶圖案例實操：https://cuiqingcai.com/2652.html
安裝好該框架並大概瞭解用法後，下面我們可以就開始爬取了。
2.3. 抓取資料
CMD 命令視窗執行：pyspider all 命令，然後瀏覽器輸入：http://localhost:5000/ 就可以啟動 pyspider 。
點選 Create 新建一個專案，Project Name 命名為：huxiu，因為要爬取的 URL 是 POST 型別，所以這裡可以先不填寫，之後可以在程式碼中新增，再次點選 Creat 便完成了該專案的新建。
新專案建立好後會自動生成一部分模板程式碼，我們只需在此基礎上進行修改和完善，然後就可以執行爬蟲專案了。現在，簡單梳理下程式碼編寫步驟。
1from pyspider.libs.base_handler import *
2class Handler(BaseHandler):
3 crawl_config:{
4 "headers":{
5 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
6 'X-Requested-With': 'XMLHttpRequest'
7 }
8 }
9 def on_start(self):
10 for page in range(2,3): # 先迴圈1頁
11 print('正在爬取第 %s 頁' % page)
12 self.crawl('https://www.huxiu.com/v2_action/article_list',method='POST',data={'page':page}, callback=self.index_page)
這裡，首先定義了一個 Handler 主類，整個爬蟲專案都主要在該類下完成。 接著，可以將爬蟲基本的一些基本配置，比如 Headers、代理等設定寫在下面的 crawl_config 屬性中。
如果你還沒有習慣從函式（def）轉換到類（Class）的程式碼寫法，那麼需要先了解一下類的相關知識，之後我也會單獨用一篇文章介紹一下。
下面的 on_start() 方法是程式的入口，也就是說程式啟動後會首先從這裡開始執行。首先，我們將要爬取的 URL傳入 crawl() 方法，同時將 URL 修改成虎嗅網的：https://www.huxiu.com/v2_action/article_list。
由於 URL 是 POST 請求，所以我們還需要增加兩個引數：method 和 data。method 表示 HTTP 請求方式，預設是 GET，這裡我們需要設定為 POST；data 是 POST 請求表單引數，只需要新增一個 page 引數即可。
接著，通過 callback 引數定義一個 index_page() 方法，用來解析 crawl() 方法爬取 URL 成功後返回的 Response 響應。在後面的 index_page() 方法中，可以使用 PyQuery 提取響應中的所需內容。具體提取方法如下：
1import json
2from pyquery import PyQuery as pq
3def index_page(self, response):
4 content = response.json['data']
5 # 注意，在sublime中，json後面需要新增()，pyspider 中則不用
6 doc = pq(content)
7 lis = doc('.mod-art').items()
8 data = [{
9 'title': item('.msubstr-row2').text(),
10 'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
11 'name': item('.author-name').text(),
12 'write_time':item('.time').text(),
13 'comment':item('.icon-cmt+ em').text(),
14 'favorites':item('.icon-fvr+ em').text(),
15 'abstract':item('.mob-sub').text()
16 } for item in lis ] # 列表生成式結果返回每頁提取出25條字典資訊構成的list
17 print(data)
18 return data
這裡，網頁返回的 Response 是 json 格式，待提取的資訊存放在其中的 data 鍵值中，由一段 HTML 程式碼構成。我們可以使用 response.json['data'] 獲取該 HTML 資訊，接著使用 PyQuery 搭配 CSS 語法提取出文章標題、連結、作者等所需資訊。這裡使用了列表生成式，能夠精簡程式碼並且轉換為方便的 list 格式，便於後續儲存到 MongoDB 中。
我們輸出並檢視一下第 2 頁的提取結果：
1# 由25個 dict 構成的 list
2[{'title': '想要長生不老？殺死體內的“殭屍細胞”吧', 'url': 'https://www.huxiu.com/article/270086.html', 'name': '造就Talk', 'write_time': '19小時前', 'comment': '4', 'favorites': '28', 'abstract': '如果有了最終療法，也不應該是每天都需要接受治療'},
3 {'title': '日本步入下流社會，我們還在買買買', 'url': 'https://www.huxiu.com/article/270112.html', 'name': '騰訊《大家》©', 'write_time': '20小時前', 'comment': '13', 'favorites': '142', 'abstract': '我買，故我在'}
4...
5]
可以看到，成功得到所需資料，然後就可以儲存了，可以選擇輸出為 CSV、SQL/">MySQL、MongoDB 等方式，這裡我們選擇儲存到 MongoDB 中。
1import pandas as pd
2import pymongo
3import time
4import numpy as np
5client = pymongo.MongoClient('localhost',27017)
6db = client.Huxiu
7mongo_collection = db.huxiu_news
8
9def on_result(self,result):
10 if result:
11 self.save_to_mongo(result)
12def save_to_mongo(self,result):
13 df = pd.DataFrame(result)
14 #print(df)
15 content = json.loads(df.T.to_json()).values()
16 if mongo_collection.insert_many(content):
17 print('儲存到 mongondb 成功')
18 # 隨機暫停
19 sleep = np.random.randint(1,5)
20 time.sleep(sleep)
上面，定義了一個 on_result() 方法，該方法專門用來獲取 return 的結果資料。這裡用來接收上面 index_page() 返回的 data 資料，在該方法裡再定義一個儲存到 MongoDB 的方法就可以儲存到 MongoDB 中。
關於資料如何儲存到 MongoDB 中，我們在之前的 一篇文章 中有過介紹，如果忘記了可以回顧一下。
下面，我們來測試一下整個爬取和儲存過程。點選左上角的 run 就可以順利執行單個網頁的抓取、解析和儲存，結果如下：
上面完成了單頁面的爬取，接下來，我們需要爬取全部 2000 餘頁內容。
需要修改兩個地方，首先在 on_start() 方法中將 for 迴圈頁數 3 改為 2002。改好以後，如果我們直接點選 run ，會發現還是隻能爬取第 2 頁的結果。
這是因為，pyspider 以 URL的 MD5 值作為 唯一 ID 編號，ID 編號相同的話就視為同一個任務，便不會再重複爬取。由於 GET 請求的 分頁URL 通常是有差異的，所以 ID 編號會不同，也就自然能夠爬取多頁。但這裡 POST 請求的分頁 URL 是相同的，所以爬完第 2 頁，後面的頁數便不會再爬取。
那有沒有解決辦法呢？ 當然是有的，我們需要重新寫下 ID 編號的生成方式，方法很簡單，在 on_start() 方法前面新增下面 2 行程式碼即可：
1def get_taskid(self,task):
2 return md5string(task['url']+json.dumps(task['fetch'].get('data','')))
這樣，我們再點選 run 就能夠順利爬取 2000 頁的結果了，我這裡一共抓取了 49,996 條結果，耗時 2 小時左右完成。
以上，就完成了資料的獲取。有了資料我們就可以著手分析，不過這之前還需簡單地進行一下資料的清洗、處理。
3. 資料清洗處理
首先，我們需要從 MongoDB 中讀取資料，並轉換為 DataFrame。
1client = pymongo.MongoClient(host='localhost', port=27017)
2db = client['Huxiu']
3collection = db['huxiu_news']
4# 將資料庫資料轉為DataFrame
5data = pd.DataFrame(list(collection.find()))
下面我們看一下資料的總體情況，可以看到資料的維度是 49996 行 × 8 列。發現多了一列無用的 _id 需刪除，同時 name 列有一些特殊符號，比如© 需刪除。另外，資料格式全部為 Object 字串格式，需要將 comment 和 favorites 兩列更改為數值格式、 write_time 列更改為日期格式。
1print(data.shape) # 檢視行數和列數
2print(data.info()) # 檢視總體情況
3print(data.head()) # 輸出前5行
4
5# 結果：
6(49996, 8)
7Data columns (total 8 columns):
8_id 49996 non-null object
9abstract 49996 non-null object
10comment 49996 non-null object
11favorites 49996 non-null object
12name 49996 non-null object
13title 49996 non-null object
14url 49996 non-null object
15write_time 49996 non-null object
16dtypes: object(8)
17
18 _id abstract comment favorites name title url write_time
190 5bdc2 “在你們看到… 22 50 普象工業設計小站© 看了蘋果屌 https:// 10小時前
201 5bdc2 中國”綠卡”號稱“世界最難拿” 9 16 經濟觀察報© 遞交材料厚 https:// 10小時前
212 5bdc2 鮮衣怒馬少年時 2 13 小馬宋 金庸小說陪 https:// 11小時前
223 5bdc2 預告還是預警？ 3 10 Cuba Libre 阿里即將發 https:// 11小時前
234 5bdc2 庫克：咋回事？ 2 3 Cuba Libre 【虎嗅早報 https:// 11小時前
程式碼實現如下：
1# 刪除無用_id列
2data.drop(['_id'],axis=1,inplace=True)
3# 替換掉特殊字元©
4data['name'].replace('©','',inplace=True,regex=True)
5# 字元更改為數值
6data = data.apply(pd.to_numeric,errors='ignore')
7# 更該日期格式
8data['write_time'] = data['write_time'].replace('.*前','2018-10-31',regex=True)
9# 為了方便，將write_time列，包含幾小時前和幾天前的行，都替換為10月31日最後1天。
10data['write_time'] = pd.to_datetime(data['write_time'])
下面，我們看一下資料是否有重複，如果有，那麼需要刪除。
1# 判斷整行是否有重複值
2print(any(data.duplicated()))
3# 顯示True，表明有重複值，進一步提取出重複值數量
4data_duplicated = data.duplicated().value_counts()
5print(data_duplicated) # 顯示2 True ，表明有2個重複值
6# 刪除重複值
7data = data.drop_duplicates(keep='first')
8# 刪除部分行後，index中斷，需重新設定index
9data = data.reset_index(drop=True)
10#結果：
11True
12False 49994
13True 2
然後，我們再增加兩列資料，一列是文章標題長度列，一列是年份列，便於後面進行分析。
1data['title_length'] = data['title'].apply(len)
2data['year'] = data['write_time'].dt.year
3Data columns (total 9 columns):
4abstract 49994 non-null object
5comment 49994 non-null int64
6favorites 49994 non-null int64
7name 49994 non-null object
8title 49994 non-null object
9url 49994 non-null object
10write_time 49994 non-null datetime64[ns]
11title_length 49994 non-null int64
12year 49994 non-null int64
以上，就完成了基本的資料清洗處理過程，針對這 9 列資料可以開始進行分析了。
4. 描述性資料分析
通常，資料分析主要分為四類： 「描述型分析」、「診斷型分析」「預測型分析」「規範型分析」。「描述型分析」是用來概括、表述事物整體狀況以及事物間關聯、類屬關係的統計方法，是這四類中最為常見的資料分析型別。通過統計處理可以簡潔地用幾個統計值來表示一組資料地集中性（如平均值、中位數和眾數等）和離散型(反映資料的波動性大小，如方差、標準差等)。
這裡，我們主要進行描述性分析，資料主要為數值型資料（包括離散型變數和連續型變數）和文字資料。
4.1. 總體情況
先來看一下總體情況。
1print(data.describe())
2 comment favorites title_length
3count 49994.000000 49994.000000 49994.000000
4mean 10.860203 34.081810 22.775333
5std 24.085969 48.276213 9.540142
6min 0.000000 0.000000 1.000000
725% 3.000000 9.000000 17.000000
850% 6.000000 19.000000 22.000000
975% 12.000000 40.000000 28.000000
10max 2376.000000 1113.000000 224.000000
這裡，使用了 data.describe() 方法對數值型變數進行統計分析。從上面可以簡要得出以下幾個結論：
-
讀者的評論和收藏熱情都不算太高 。大部分文章（75 %）的評論數量為十幾條，收藏數量不過幾十個。這和一些微信大 V 公眾號動輒百萬級閱讀、數萬級評論和收藏量相比，虎嗅網的確相對小眾一些。不過也正是因為小眾，也才深得部分人的喜歡。
-
評論數最多的文章有 2376 條，收藏數最多的文章有 1113 個收藏量，說明還是有一些潛在的比較火或者質量比較好的文章。
-
最長的文章標題長達 224 個字，大部分文章標題長度在 20 來個字左右，所以 標題最好不要太長或過短 。
對於非數值型變數（name、write_time），使用 describe() 方法會產生另外一種彙總統計。
1print(data['name'].describe())
2print(data['write_time'].describe())
3# 結果：
4count 49994
5unique 3162
6top 虎嗅
7freq 10513
8Name: name, dtype: object
9count 49994
10unique 2397
11top 2014-07-10 00:00:00
12freq 274
13first 2012-04-03 00:00:00
14last 2018-10-31 00:00:00
unique 表示唯一值數量，top 表示出現次數最多的變數，freq 表示該變量出現的次數，所以可以簡單得出以下幾個結論：
-
在文章來源方面， 3162 個作者貢獻了這 5 萬篇文章 ，其中自家官網「虎嗅」寫的數量最多，超過了 1 萬篇，這也很自然。
-
在文章發表時間方面，最早的一篇文章來自於 2012年 4 月 3 日。 6 年多時間，發文數最多的 1 天 是 2014 年 7 月 10 日，一共發了 274 篇文章。
4.2. 不同時期文章釋出的數量變化
可以看到 ，以季度為時間尺度的 6 年間，前幾年發文數量比較穩定，大概在1750 篇左右，個別季度數量激增到 2000 篇以上。2016 年之後文章開始增加到 2000 篇以上， 可能跟網站知名度提升有關 。首尾兩個季度日期不全，所以數量比較少。
具體程式碼實現如下：
1def analysis1(data):
2 # # 彙總統計
3 # print(data.describe())
4 # print(data['name'].describe())
5 # print(data['write_time'].describe())
6
7 data.set_index(data['write_time'],inplace=True)
8 data = data.resample('Q').count()['name'] # 以季度彙總
9 data = data.to_period('Q')
10 # 建立x,y軸標籤
11 x = np.arange(0,len(data),1)
12 ax1.plot(x,data.values, #x、y座標
13 color = color_line , #折線圖顏色為紅色
14 marker = 'o',markersize = 4 #標記形狀、大小設定
15 )
16 ax1.set_xticks(x) # 設定x軸標籤為自然數序列
17 ax1.set_xticklabels(data.index) # 更改x軸標籤值為年份
18 plt.xticks(rotation=90) # 旋轉90度，不至太擁擠
19
20 for x,y in zip(x,data.values):
21 plt.text(x,y + 10,'%.0f' %y,ha = 'center',color = colors,fontsize=fontsize_text )
22 # '%.0f' %y 設定標籤格式不帶小數
23 # 設定標題及橫縱座標軸標題
24 plt.title('虎嗅網文章數量釋出變化(2012-2018)',color = colors,fontsize=fontsize_title)
25 plt.xlabel('時期')
26 plt.ylabel('文章(篇)')
27 plt.tight_layout() # 自動控制空白邊緣
28 plt.savefig('虎嗅網文章數量釋出變化.png',dpi=200)
29 plt.show()
4.3. 文章收藏量 TOP10
接下來，到了我們比較關心的問題： 幾萬篇文章裡，到底哪些文章寫得比較好或者比較火？
此處選取了「favorites」(收藏數量)作為衡量標準。畢竟，一般好的文章，我們都會有收藏的習慣。
第一名「讀完這10本書，你就能站在智商鄙視鏈的頂端了 」以 1113 次收藏位居第一，並且遙遙領先於後者，看來大家都懷有「 想早日攀上人生巔峰，一覽眾人小 」的想法啊。開啟這篇文章的連結，文中提到了這幾本書：《思考，快與慢》、《思考的技術》、《麥肯錫入職第一課：讓職場新人一生受用的邏輯思考力》等。一本都沒看過，看來這輩子是很難登上人生巔峰了。
發現兩個有意思的地方：
第一， 文章標題都比較短小精煉。
第二，文章收藏量雖然比較高，但評論數都不多，猜測這是因為 大家都喜歡做伸手黨？
4.4. 歷年文章收藏量 TOP3
在瞭解文章的總體排名之後，我們來看看歷年的文章排名是怎樣的。這裡，每年選取了收藏量最多的 3 篇文章。
可以看到，文章收藏量基本是逐年遞增的，但 2015 年的 3 篇文章的收藏量卻是最高的，包攬了總排名的前 3 名，不知道這一年的文章有什麼特別之處。
以上只羅列了一小部分文章的標題，可以看到標題起地都蠻有水準的。關於標題的重要性，有這樣通俗的說法：「 一篇好文章，標題佔一半 」，一個好的標題可以大大增強文章的傳播力和吸引力。文章標題雖只有短短數十字，但要想起好，裡面也是很有很多技巧的。
好在，這裡提供了 5 萬個標題可供參考。 如需，可以在公眾號後臺回覆「虎嗅」得到這份 CSV 檔案。
程式碼實現如下：
1def analysis2(data):
2 # # 總收藏排名
3 # top = data.sort_values(['favorites'],ascending = False)
4 # # 收藏前10
5 # top.index = (range(1,len(top.index)+1)) # 重置index，並從1開始編號
6 # print(top[:10][['title','favorites','comment']])
7
8 # 按年份排名
9 # # 增加一列年份列
10 # data['year'] = data['write_time'].dt.year
11 def topn(data):
12 top = data.sort_values('favorites',ascending=False)
13 return top[:3]
14 data = data.groupby(by=['year']).apply(topn)
15 print(data[['title','favorites']])
16 # 增加每年top123列，列依次值為1、2、3
17 data['add'] = 1 # 輔助
18 data['top'] = data.groupby(by='year')['add'].cumsum()
19 data_reshape = data.pivot_table(index='year',columns='top',values='favorites').reset_index()
20 # print(data_reshape) # ok
21 data_reshape.plot(
22 # x='year',
23 y=[1,2,3],
24 kind='bar',
25 width=0.3,
26 color=['#1362A3','#3297EA','#8EC6F5'] # 設定不同的顏色
27 # title='虎嗅網歷年收藏數最多的3篇文章'
28 )
29 plt.xlabel('Year')
30 plt.ylabel('文章收藏數量')
31 plt.title('歷年 TOP3 文章收藏量比較',color = colors,fontsize=fontsize_title)
32 plt.tight_layout() # 自動控制空白邊緣，以全部顯示x軸名稱
33 # plt.savefig('歷年 Top3 文章收藏量比較.png',dpi=200)
34 plt.show()
4.4.1. 最高產作者 TOP20
上面，我們從收藏量指標進行了分析,下面，我們關注一下發布文章的作者（個人/媒體）。前面提到發文最多的是虎嗅官方，有一萬多篇文章，這裡我們篩除官媒，看看還有哪些比較高產的作者。
可以看到，前 20 名作者的發文量差距都不太大。發文比較多的有「娛樂資本論」、「Eastland」、「發條橙子」這類媒體號；也有虎嗅官網團隊的作者：發條橙子、周超臣、張博文等；還有部分獨立作者：假裝FBI、孫永傑等。 可以嘗試關注一下這些高產作者。
程式碼實現如下：
1def analysis3(data):
2 data = data.groupby(data['name'])['title'].count()
3 data = data.sort_values(ascending=False)
4 # pandas 直接繪製,.invert_yaxis()顛倒順序
5 data[1:21].plot(kind='barh',color=color_line).invert_yaxis()
6 for y,x in enumerate(list(data[1:21].values)):
7 plt.text(x+12,y+0.2,'%s' %round(x,1),ha='center',color=colors)
8 plt.xlabel('文章數量')
9 plt.ylabel('作者')
10 plt.title('發文數量最多的 TOP20 作者',color = colors,fontsize=fontsize_title)
11 plt.tight_layout()
12 plt.savefig('發文數量最多的TOP20作者.png',dpi=200)
13 plt.show()
4.4.2. 平均文章收藏量最多作者 TOP 10
我們 關注一個作者除了是因為文章高產以外，可能更看重的是其文章水準 。這裡我們選擇「文章平均收藏量」（總收藏量/文章數）這個指標，來看看文章水準比較高的作者是哪些人。
這裡，為了避免出現「某作者只寫了一篇高收藏率的文章」這種不能代表其真實水準的情況，我們將篩選範圍定在至少釋出過 5 篇文章的作者們。
可以看到，前 10 名作者包括：遙遙領先的 重讀 、兩位高產又有質量的 辯手李慕陽 和 飯統戴老闆 ，還有大眾比較熟悉的 高曉鬆 、 寧南山 等。
如果你將這份名單和上面那份高產作者名單進行對比，會發現他們沒有出現在這個名單中。相比於數量，質量可能更重要吧。
下面，我們就來看看排名第一的 重讀 都寫了哪些高收藏量文章。
居然寫的都是清一色關於馬老闆家的文章。
瞭解了前十名作者之後，我們順便也看看那些處於最後十名的都是哪些作者。
一對比，就能看到他們的文章收藏量就比較寒磣了。尤其好奇最後一位作者 Yang Yemeng ，他寫了 7 篇文章，竟然一個收藏都沒有。
來看看他究竟寫了些什麼文章。
原來寫的全都是英文文章，看來大家並不太鐘意閱讀英文類的文章啊。
具體實現程式碼：
1def analysis4(data):
2 data = pd.pivot_table(data,values=['favorites'],index='name',aggfunc=[np.sum,np.size])
3 data['avg'] = data[('sum','favorites')]/data[('size','favorites')]
4 # 平均收藏數取整
5 # data['avg'] = data['avg'].round(decimals=1)
6 data['avg'] = data['avg'].astype('int')
7 # flatten 平鋪列
8 data.columns = data.columns.get_level_values(0)
9 data.columns = ['total_favorites','ariticls_num','avg_favorites']
10 # 篩選出文章數至少5篇的
11 data=data.query('ariticls_num > 4')
12 data = data.sort_values(by=['avg_favorites'],ascending=False)
13 # # 檢視平均收藏率第一名詳情
14 # data = data.query('name == "重讀"')
15 # # 檢視平均收藏率倒數第一名詳情
16 # data = data.query('name == "Yang Yemeng"')
17 # print(data[['title','favorites','write_time']])
18 print(data[:10]) # 前10名
19 print(data[-10:]) # 後10名
4.5. 文章評論數最多 TOP10
說完了收藏量。下面，我們再來看看評論數量最多的文章是哪些。
基本上都是和 三星 有關的文章，這些文章大多來自 2014 年，那幾年 三星 好像是挺火的，不過這兩年國內基本上都見不到三星的影子了，世界變化真快。
發現了兩個有意思的現象。
第一，上面關於 三星 和前面 阿里 的這些批量文章，它們「霸佔」了評論和收藏榜，結合知乎上曾經的一篇關於介紹虎嗅這個網站的文章：虎嗅網其實是這樣的 ， 貌似能發現些微妙的事情 。
第二，這些文章評論數和收藏數兩個指標幾乎呈極端趨勢，評論量多的文章收藏量卻很少，評論量少的文章收藏量卻很多。
我們進一步觀察下這兩個引數的關係。
可以看到，大多數點都位於左下角，意味著這些文章收藏量和評論數都比較低。但也存在少部分位於上方和右側的異常值，表明這些文章呈現 「多評論、少收藏」或者「少評論、多收藏」的特點。
4.6. 文章標題長度
下面，我們再來看看文章標題的長度和收藏量之間有沒有什麼關係。
大致可以看出兩點現象：
第一， 收藏量高的文章，他們的標題都比較短 （右側的部分散點）。
第二， 標題很長的文章，它們的收藏量都非常低 （左邊形成了一條垂直線）。
看來，文章起標題時最好不要起太長的。
實現程式碼如下：
1def analysis5(data):
2 plt.scatter(
3 x=data['favorites'],
4 y =data['comment'],
5 s=data['title_length']/2,
6 )
7 plt.xlabel('文章收藏量')
8 plt.ylabel('文章評論數')
9 plt.title('文章標題長度與收藏量和評論數之間的關係',color = colors,fontsize=fontsize_title)
10 plt.tight_layout()
11 plt.show()
4.7. 標題形式
下面，我們看看作者在起文章標題的時候，在標點符號方面有沒有什麼偏好。
可以看到，五萬篇文章中，大多數文章的標題是陳述性標題。三分之一（34.8%） 的文章標題使用了問號「？」，而僅有 5% 的文章用了歎號「！」。通常，問號會讓人們產生好奇，從而想去點開文章；而歎號則會帶來一種緊張或者壓迫感，使人不太想去點開。所以， 可以嘗試多用問號而少用歎號。
4.8. 文字分析
最後，我們從這 5 萬篇文章中的標題和摘要中，來 看看虎嗅網的文章主要關注的都是哪些主題領域。
這裡首先運用了 jieba 分詞包對標題進行了分詞，然後用 WordCloud 做成了詞雲圖，因虎嗅網含有「虎」字，故選取了一張老虎頭像。（關於 jieba 和 WordCloud 兩個包，之後再詳細介紹）
可以看到文章的主題內容側重於：網際網路、知名公司、電商、投資這些領域。這和網站本身對外宣傳的核心內容，即「關注網際網路與移動網際網路一系列明星公司的起落軌跡、產業潮汐的動力與趨勢，以及網際網路與移動網際網路如何改造傳統產業」大致相符合。
實現程式碼如下：
1def analysis6(data):
2 text=''
3 for i in data['title'].values:
4 symbol_to_replace = '[!"#$%&\'()*+,-./:;<=>?@，。?、…【】《》？“”‘’！[\\]^_`{|}~]+'
5 i = re.sub(symbol_to_replace,'',i)
6 text+=' '.join(jieba.cut(i,cut_all=False))
7 d = path.dirname(__file__) if "__file__" in locals() else os.getcwd()
8
9 background_Image = np.array(Image.open(path.join(d, "tiger.png")))
10 font_path = 'C:\Windows\Fonts\SourceHanSansCN-Regular.otf' # 思源黑字型
11
12 # 新增stopswords
13 stopwords = set()
14 # 先執行對text進行詞頻統計再排序，再選擇要增加的停用詞
15 stopwords.update(['如何','怎麼','一個','什麼','為什麼','還是','我們','為何','可能','不是','沒有','哪些','成為','可以','背後','到底','就是','這麼','不要','怎樣','為了','能否','你們','還有','這樣','這個','真的','那些'])
16 wc = WordCloud(
17 background_color = 'black',
18 font_path = font_path,
19 mask = background_Image,
20 stopwords = stopwords,
21 max_words = 200,
22 margin =2,
23 max_font_size = 100,
24 random_state = 42,
25 scale = 2,
26 )
27 wc.generate_from_text(text)
28 process_word = WordCloud.process_text(wc, text)
29 # 下面是字典排序
30 sort = sorted(process_word.items(),key=lambda e:e[1],reverse=True) # sort為list
31 print(sort[:50]) # 輸出前詞頻最高的前50個，然後篩選出不需要的stopwords，新增到前面的stopwords.update()方法中
32 img_colors = ImageColorGenerator(background_Image)
33 wc.recolor(color_func=img_colors) # 顏色跟隨圖片顏色
34 plt.imshow(wc,interpolation='bilinear')
35 plt.axis('off')
36 plt.tight_layout() # 自動控制空白邊緣
37 plt.savefig('huxiu20.png',dpi=200)
38 plt.show()
上面的關鍵詞是這幾年總體的概況，而科技網際網路行業每年的發展都是不同的，所以，我們再來看看歷年的一些關鍵詞，透過這些關鍵詞看看這幾年網際網路行業、科技熱點、知名公司都有些什麼不同變化。
可以看到每年的關鍵詞都有一些相同之處，但也不同的地方：
-
中國網際網路、公司、蘋果、騰訊、阿里等這些熱門關鍵詞 一直都是熱門 ，這幾家公司真是穩地一批啊。
-
每年會有新熱點湧現 ：比如 2013 年的微信（剛開始火）、2016 年的直播（各大直播平臺如雨後春筍般出現）、2017年的 iPhone（上市十週年）、2018年的小米（上市）。
-
不斷有新的熱門技術出現 ：2013 - 2015 年的 O2O、2016 年的 VR、2017 年的 AI 、2018 年的「區塊鏈」。這些科技前沿技術也是這幾年大家口耳相傳的熱門詞彙。
通過這一幅圖，就看出了這幾年科技網際網路行業、明星公司、熱點資訊的風雲變化。
5. 小結
-
本文簡要分析了虎嗅網 5 萬篇文章資訊，大致瞭解了近些年科技網際網路的千變萬化。
-
發掘了那些優秀的文章和作者，能夠節省寶貴的時間成本。
-
一篇文章要想傳播廣泛，文章本身的質量和標題各佔一半，文中的5 萬個標題相信能夠帶來一些靈感。
-
本文尚未做深入的文字挖掘，而文字挖掘可能比資料探勘涵蓋的資訊量更大，更有價值。進行這些分析需要機器學習和深度學習的知識，待後期學習後再來補充。
本文完。
文中的完整程式碼和素材可以在下面的連結中獲取：
https://github.com/makcyun/eastmoney_spider
原文釋出時間為： 2018-11-20
本文作者： Python資料之道
本文來自雲棲社群合作伙伴“ Python資料之道 ”，瞭解相關資訊可以關注“ Python資料之道 ”。