[[141319]]

兩周前，做的一個(gè)項(xiàng)目需要模擬一批用戶評(píng)價(jià)數(shù)據(jù)，如果想讓數(shù)據(jù)看著真實(shí)點(diǎn)，那就得使用隨機(jī)的用戶昵稱和頭像啊。要是頭像或者昵稱全都差不多，那別人一看就看出來這是做的數(shù)據(jù)了。

于是乎我就寫了個(gè)從我QQ空間開始的蜘蛛網(wǎng)式的爬蟲程序，程序斷斷續(xù)續(xù)的運(yùn)行了兩周?？偣才赖搅蓑v訊3000萬QQ數(shù)據(jù)，其中有300萬包含用戶（QQ號(hào)，昵稱，空間名稱，會(huì)員級(jí)別，頭像，***一條說說內(nèi)容，***說說的發(fā)表時(shí)間，空間簡(jiǎn)介，性別，生日，所在省份，城市，婚姻狀況）的詳細(xì)數(shù)據(jù)。

目前已經(jīng)爬到我的第7圈好友（depth=7）共3000萬數(shù)據(jù)，目前的瓶頸在家里的網(wǎng)速和電腦的配置上。 最快的時(shí)候爬取速度達(dá)到一天500W新Q數(shù)據(jù)。

沒圖，我說個(gè)毛線?。?/p>

目前數(shù)據(jù)量為2G左右。

再看看，我根據(jù)這份數(shù)據(jù)生成的一些有趣的統(tǒng)計(jì)圖（數(shù)據(jù)量太大了一次加載到內(nèi)存中直接報(bào)內(nèi)存不夠了，所以下面的統(tǒng)計(jì)數(shù)據(jù)只取了depth值小數(shù)據(jù)較完整約80W的數(shù)據(jù)）：

內(nèi)存已經(jīng)爆了，不能怪我。 誰贊助臺(tái)服務(wù)器吧

1、大家一般都在啥時(shí)候發(fā)說說呢？

從圖中看出一天最冷門的時(shí)候是凌晨4點(diǎn)，這時(shí)全國(guó)正在睡覺的人最多。 大家最亢奮的是晚上10點(diǎn)到11點(diǎn)，人們都喜歡睡前看看別人的空間，發(fā)條說說。中午12點(diǎn)左右也有一波小高峰

一會(huì)我再統(tǒng)計(jì)張中國(guó)人習(xí)慣幾點(diǎn)起床，幾點(diǎn)吃飯，幾點(diǎn)睡覺的圖吧

2、中國(guó)人都喜歡在幾月生小孩呢？

最熱門的是1月份和10月份，最冷門的是4月份。10月份生小孩的多好理解，一年忙差不多了，天氣也不冷不熱正是生小孩的好時(shí)候。 但1月份***且和2月落差很大有點(diǎn)不好理解，那么冷的天生不怕凍嗎？ 我估計(jì)是1月份也快過年了，以前沒聚一起的好不容易聚一起了，就容易沖動(dòng)，沖動(dòng)就啪啪啪。 4月份生日的最少也好理解，中國(guó)人不喜歡4這個(gè)數(shù)字唄。 大數(shù)據(jù)有意思吧?。?我覺得太好玩了，后面還有很多呢。

#p#

3、這是我目前爬取的用戶所在地分布

你能猜出我是哪的了嗎？前四名分別為：廣東，湖南，四川，江蘇。 沒錯(cuò)，我就是湖南的！ 湖南人在廣東打工的超級(jí)多，這也能理解為什么廣東***了。江蘇是我上學(xué)的地方，有點(diǎn)琢磨不透的是四川和我非情非故的居然排第3名，我的朋友們，你們是誰播的種？站出來！ 還有一種可能，四川人交際能力***，我平時(shí)在重慶小面吃飯，四川人確實(shí)特別，說話語速那個(gè)快啊，聲調(diào)那個(gè)高啊。受不了！

4、數(shù)據(jù)人群的年齡分布

一不小心就暴漏了我的年齡，沒錯(cuò)。我就是那個(gè)***值的1990年；從目前的數(shù)據(jù)來看，無論是分布地區(qū)以及年齡階段與我的關(guān)聯(lián)還非常大，隨著數(shù)據(jù)量的不斷增加這種關(guān)聯(lián)會(huì)逐漸變小，統(tǒng)計(jì)圖也會(huì)逐漸接近全國(guó)用戶的真實(shí)情況。真想弄幾臺(tái)服務(wù)器分布式搞起，估計(jì)一周就能爬上億的簡(jiǎn)單數(shù)據(jù)。 單靠我的筆記本和家里超爛的網(wǎng)速達(dá)到這個(gè)目標(biāo)還很遠(yuǎn)。

5、數(shù)據(jù)人群性別分布

男比女足足多了23%的人數(shù)，我分析認(rèn)為實(shí)際差距應(yīng)該是不大的，但女生在設(shè)置QQ空間訪問權(quán)限時(shí)普遍要比男生的高。所以我爬取的數(shù)據(jù)中男生居多。

6、下面系列圖是根據(jù)一些“關(guān)鍵字”在說說中出現(xiàn)的頻率統(tǒng)計(jì)出來的，相當(dāng)有意思。

6.1 圖說股市

在知乎“能利用爬蟲技術(shù)做到哪些很酷很有趣很有用的事情？” 有一個(gè)google實(shí)習(xí)的哥們@Emily L爬了400億條tweet也做了很多有趣的分，其中提到一篇關(guān)于利用twitter上人的心情來預(yù)測(cè)股市的論文(http://battleofthequants.net/wp-content/uploads/2013/03/2010-10-15_JOCS_Twitter_Mood.pdf)很有意思。另附我在該問題下的答案“用爬蟲監(jiān)測(cè)她（他）的知乎動(dòng)態(tài)”，僅做技術(shù)玩樂，求別再噴我猥瑣了。

如果當(dāng)我們擁有海量的QQ空間***說說，和sina微博數(shù)據(jù)。我想，用它們來做一些股市或者其它方面的分析預(yù)測(cè)是可行的，準(zhǔn)確度應(yīng)該也是非常高的。我接下來可能會(huì)考慮去做這件有趣的事情。

將股票中的關(guān)鍵字做海量數(shù)據(jù)分析，比如會(huì)得出當(dāng)日討論股票排行榜。進(jìn)而能得到海量討論股票的用戶，再通過市場(chǎng)的實(shí)際反饋找出股票上漲及下跌的正相關(guān)因子，再對(duì)這些海量用戶進(jìn)行分析計(jì)算得出最靠譜股票推薦大神排行榜。對(duì)這些用戶分級(jí)，分優(yōu)先度及抓取密度來拿數(shù)據(jù)。用這些數(shù)據(jù)分析出哪些是靠譜的股票肯定靠譜。

#p#

6.2 群眾討論最多的明星排行榜，還是很靠譜的。

另附我抓的明星QQ號(hào)吧，純屬娛樂，自辯真假。有些空間確實(shí)有很多生活私照。

張杰QQ：419998 花千骨的趙麗穎QQ：427794 謝娜QQ：500746 楊冪QQ:456773 范冰冰QQ：88597 周杰倫QQ：332661

6.3 最為用戶喜愛的手機(jī)品牌

6.4 人們最喜歡談?wù)摰幕ヂ?lián)網(wǎng)公司，阿里之所以這么低估計(jì)是大家都喜歡叫它淘寶或者天貓吧。 取這么多名字，自討苦吃。

6.5 QQ空間中討論的最為頻繁的社交平臺(tái)排行榜。

6.6 生活的統(tǒng)計(jì)圖

愛>恨； 開心>傷心; 笑聲>嘆氣聲； 吃貨很多； 誰特么說中國(guó)不幸福了，這滿滿的都是正能量數(shù)據(jù)啊。

好了，其實(shí)還可以做很多其它的分析。如果大家有什么有趣的數(shù)據(jù)分析想知道的，那就給我留言吧。

技術(shù)不多說了，程序不難，多線程數(shù)據(jù)庫(kù)操作卻是把我搞苦了。還好，現(xiàn)在程序差不多穩(wěn)定了。過程也是很有意思的，有空我再寫個(gè)程序升級(jí)過程中的那些趣事吧。我覺得一個(gè)美妙的程序一定是高度模擬現(xiàn)實(shí)的，就像飛機(jī)模仿蜻蜓，雷達(dá)模仿蝙蝠一樣。 這次的程序設(shè)計(jì)就是模擬的工廠的生產(chǎn)線。附個(gè)設(shè)計(jì)圖吧

另外廣泛征集大家的聰明點(diǎn)子， 能否用這些數(shù)據(jù)做一個(gè)有趣的網(wǎng)站，app。 有趣或者能賺點(diǎn)小錢都行，只要不違法。