爬取 *** 空间3000万用户 玩玩大数据分析

这是我近期使用C#写的一个 *** 空间蜘蛛网爬虫程序。程序断断续续的运行了两周，目前总共爬了3000万 *** 数据，其中有300万包含用户( *** 号，昵称，空间名称，头像，***一条说说内容，***说说的发表时间，空间简介，性别，生日，所在省份，城市)的详细数据。

目前已经爬到我的第7圈好友(depth=7)共3000万数据。

爬虫主程序运行界面：

爬虫程序设计：

大致设计思路是模仿工厂的生产车间，使用三大独立循环线程组(GetWaitList，Crawler *** Infos，SaveData)。

详细设计图：

再看看，我根据这份数据生成的一些有趣的统计图吧!

1、大家一般都在啥时候发说说呢?

从图中看出一天最冷门的时候是凌晨4点，这时全国正在睡觉的人最多。 大家最亢奋的是晚上10点到11点，人们都喜欢睡前看看别人的空间，发条说说。中午12点左右也有一波小高峰。

2、中国人都喜欢在几月生小孩呢?

从图中可看出1月和10月出生的人最多，4月的最少。总体来说上半年的出生率比下半年的低。分析可得，1月多是因为很多人填的是默认的1月1号。4月少，是因为中国人不喜欢4这个数字。10月出生率***，是因为那时天气不冷不热，秋收后也不是太忙了的原因。(所以我是11月11日?注孤独)。

3、这是我目前爬取的数据人群地区分布

4、数据人群的年龄分布。

上两张图，整好和我的信息相吻合。我是湖南人，在江苏读的书，而湖南大部分人都在广东打工。所以地区分布中，这三个省整好排在前四名当中。而我又是1990年出生的，对应年龄分布图1990年的用户最多。从目前的数据来看，无论是分布地区以及年龄阶段与我的关联还非常大，随着数据量的不断增加这种关联会逐渐变小，统计图也会逐渐接近全国用户的真实情况。(这都是博主的话啊，我是河南人，不过人群年龄应该是差不多的，90和91年的比较多。)

点评下：

你说我91年的也不能接触的都是81年的人吧?肯定是同龄的人比较多，其实如果博主能分析下在TX上面投资多少钱，根据用户秀恩爱的程度，这样的数据，我觉得还听可以的。(吐槽下。)

5、数据人群性别分布

6、下面系列图是根据一些“关键字”在说说中出现的频率统计出来的，相当有意思。

单个用户的行为是很难看出规律的，大数据的意义在于它会不断矫正那个平衡点，从而得出反应宏观现象最真实的情况。数据量越大，平衡点动荡的幅度便越小。进而能够根据当前的数据趋势预测后续的发展，为决策提供有力依据

6.1 图说股市。

现在我们拥有海量的互联网社交数据，如 *** 的说说，sina的微博数据。我觉得这些数据拥有惊人的利用价值，这非常值得我们去研究，去挖掘。我想，用它们来做一些股市或者其它方面的分析预测是可行的，准确度应该也是非常高的。

将股票中的关键字做海量数据分析，比如会得出当日讨论股票热度排行榜。进而能得到海量讨论股票的用户，再通过市场的实际反馈找出股票上涨及下跌的正相关因子，再对这些海量数据进行分析计算得出最靠谱股票推荐大神排行榜。对这些用户分级，分优先度及抓取密度来拿数据。用这些数据分析出哪些是靠谱的股票肯定靠谱!

6.2 群众讨论最多的明星排行榜，还是很靠谱的。(我爱汪峰哥，我也爱Jay! —信仰在空中飘扬)

插播汪峰头条：素不相识，光听新闻的片面之词就断下结论，那是完整的真相吗?背后的故事又有谁了解多少?实在反感那些破口大骂的，更是可恶一些媒体就事三番五次的戏谑。

祝峰哥幸福，我很喜欢你的歌!

6.3 最为用户喜爱的手机品牌

6.4 人们最喜欢谈论的互联网公司，阿里之所以这么低估计是大家都喜欢叫它 *** 或者天猫吧。

6.5 *** 空间中讨论的最为频繁的社交平台排行榜。

6.6 生活的统计图

爱>恨; 开心>伤心; 笑声>叹气声; 吃货很多

谁特么说中国不幸福了，这满满的都是正能量数据啊。

好了，其实还可以做很多其它的分析。如果大家有什么有趣的数据分析想知道的，那就给我留言吧。

技术不多说了，程序不难，多线程数据库操作却是把我搞苦了。还好，现在程序差不多稳定了。过程也是很有意思的，有空我再写个程序升级过程中的那些趣事吧。我觉得一个美妙的程序一定是高度模拟现实的，就像飞机模仿蜻蜓，雷达模仿蝙蝠一样。这次的程序设计就是模拟的工厂的生产线。