想不清自己有多久沒有過生日了,即便是18歲那年的生日,也是上完課照常回去。或許是我的日子過得過于渾渾噩噩,沒有什麼可以慶祝,或許我認為過生日是過于矯情的一種行為吧。
但是反刻奇也是一種刻奇,沒有必要堅持不過,顯得自己标新立異。而這一年或許是我生長最多的一年,或許是我高中畢業後打字最多的一年了,記錄了大量文字在我的簡書,公衆号,為知筆記,GitHub Page。
時間匆忙,是以隻能對我簡書釋出的文章做了簡單的資料分析。
資料擷取
我用Python從簡書上爬取了我所有文章的釋出時間,題目名和連接配接,把他們存放在了MySQL裡。
- 首先,定義資料庫結構
# 建立資料庫
mysqladmin.exe -u root -p create jianshu
# 建立資料表
use jianshu;
CREATE TABLE `master` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`time` varchar(255) COLLATE utf8_bin NOT NULL,
`url` varchar(255) COLLATE utf8_bin NOT NULL,
`title` varchar(255) COLLATE utf8_bin NOT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_bin
AUTO_INCREMENT=1 ;
- 其次,寫爬蟲爬取資料
import time
import re
import requests
from random import randint
def data_parse(url, headers=None ):
response = requests.get(url)
pattern = re.compile(r'<span class="time" data-shared-at="(.*?)">.*?<a class="title".*?href="(/./.*?)">(.*?)</a>',flags=re.S)
results = re.findall(pattern, response.text)
time.sleep(randint(1,5))
for res in results:
names = ["time","url","title"]
info_dict = dict(list(zip(names,res)))
yield info_dict
為了不給他們伺服器太大壓力,爬取之間有1到3秒的延遲。利用正則提取目标區域
- 最後運作
for i in range(0,16):
url = 'http://www.jianshu.com/u/9ea40b5f607a?order_by=shared_at&page=' + str(i)
dicts = data_parse(url)
save_data(db="jianshu",password="********",dicts=dicts)
簡書采用的是瀑布流方式展示資訊,是以需要檢視頁面了解規律。
簡單資料分析
從資料庫加載資料
require(RMySQL)
con <- dbConnect(RMySQL::MySQL(),
host="localhost",
user="root",
port=3306,
password="********",
dbname="jianshu")
tables <- dbReadTable(con, 'master')
Encoding(tables$title) <- "UTF-8"
注意: 要使用
Encoding
處理編碼問題
分析文章時間分布
簡單看下從去年5月份到8月份,我的寫作分布
require(tidyverse)
time_matrix <- str_match(tables$time, '(\\d+-\\d+-\\d+)T(\\d{2}):(\\d{2})')
time_matrix <- as.tibble(time_matrix)
colnames(time_matrix) <- c('date','ymd','hour','minutes')
time_matrix$ymd <- as.Date(time_matrix$ymd)
month_df <- time_matrix %>% mutate(ym = str_c(str_sub(ymd, 1,7),'-01')) %>% group_by(ym) %>% summarise(articles=n()) %>% ungroup() %>% mutate(ym=as.Date(ym, "%Y-%m-%d"))
p1 <- ggplot(month_df, aes(x=ym,y=articles)) + geom_bar(stat = "identity")
# 添加資料标簽
p1 + geom_text(aes(label=articles), vjust=1.5, colour="white")
2016年5月11日,我剛開通簡書,而那個月文章釋出不可思議的多,一共發了29篇,6月也有26篇。然後後面基本就沒寫了,原因就是我在家裡學車,荒廢人生中。從今年2月份開始,我重建立起了簡書,後面基本上保持每個月10多篇的産出。
然後,我們還可以看下每天的時間段分布:
day_df <- time_matrix %>% group_by(hour) %>% summarise(hours=n())
ggplot(day_df, aes(x=hour, y=hours)) + geom_bar(stat="identity") + geom_text(aes(label=hours), vjust=-1.5) + ylim(0,20)
從早上7點到晚上23點基本都有文章釋出,說明了我沒事就發,寫好就發的特點
标題分析
本來我是想對我的文章内容進行分析的,但是時間有限,是以退而求其次,隻能對标題進行分析了。
require(jiebaR)
require(wordcloud2)
cutter <- worker()
words <- cutter <= tables$title
word_tb <- filter_segment(words, c("的","組","更","的","在","和"))
word_tb <- table(word_tb)
wordcloud2(word_tb, size=0.5, shape='cardioid')
Python, 爬蟲, 資料分析,R 這些其實是貫穿我這一年的關鍵詞。經過這一年的時間,至少我能用這些技能做一篇文章的分析了。
最後說幾句
其實也沒有啥好說的,希望接下來一年自己能有更多的進步,給自己提供更多的資料進行分析,有更多的資訊能夠挖掘。