偷腾讯3000万用户数据,体验大数据时代

网络营销评论137

两周前,做的一个项目需要模拟一批用户评价数据,如果想让数据看着真实点,那就得使用随机的用户昵称和头像啊。要是头像或者昵称全都差不多,那别人一看就看出来这是做的数据了。

于是乎我就写了个从我QQ空间开始的蜘蛛网式的爬虫程序,程序断断续续的运行了两周。总共爬到了腾讯3000万QQ数据,其中有300万包含用户 (QQ号,昵称,空间名称,会员级别,头像,最新一条说说内容,最新说说的发表时间,空间简介,性别,生日,所在省份,城市,婚姻状况)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,目前的瓶颈在家里的网速和电脑的配置上。 最快的时候爬取速度达到一天500W新Q数据。

没图,我说个毛线啊!

偷腾讯3000万用户数据,体验大数据时代-开水网络

目前数据量为2G左右。

偷腾讯3000万用户数据,体验大数据时代-开水网络

再看看,我根据这份数据生成的一些有趣的统计图(数据量太大了一次加载到内存中直接报内存不够了,所以下面的统计数据只取了depth值小数据较完整约80W的数据):

内存已经爆了,不能怪我。  谁赞助台服务器吧

偷腾讯3000万用户数据,体验大数据时代-开水网络

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

一会我再统计张中国人习惯几点起床,几点吃饭,几点睡觉的图吧

偷腾讯3000万用户数据,体验大数据时代-开水网络

2、中国人都喜欢在几月生小孩呢?

最热门的是1月份和10月份,最冷门的是4月份。10月份生小孩的多好理解,一年忙差不多了,天气也不冷不热正是生小孩的好时候。 但1月份最高且和2月落差很大有点不好理解,那么冷的天生不怕冻吗? 我估计是1月份也快过年了,以前没聚一起的好不容易聚一起了,就容易冲动,冲动就啪啪啪。  4月份生日的最少也好理解,中国人不喜欢4这个数字呗。 大数据有意思吧!!  我觉得太好玩了,后面还有很多呢。

偷腾讯3000万用户数据,体验大数据时代-开水网络

3、这是我目前爬取的用户所在地分布

你能猜出我是哪的了吗?前四名分别为:广东,湖南,四川,江苏。  没错,我就是湖南的!  湖南人在广东打工的超级多,这也能理解为什么广东排名第一了。江苏是我上学的地方,有点琢磨不透的是四川和我非情非故的居然排第3名,我的朋友们,你们是 谁播的种?站出来!  还有一种可能,四川人交际能力全国第一,我平时在重庆小面吃饭,四川人确实特别,说话语速那个快啊,声调那个高啊。受不了!

偷腾讯3000万用户数据,体验大数据时代-开水网络

4、数据人群的年龄分布

一不小心就暴漏了我的年龄,没错。我就是那个最高值的1990年;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。真想弄几台服务器分布式搞起,估计一周就能爬上亿的简单数据。 单靠我的笔记本和家里超烂的网速达到这个目标还很远。

偷腾讯3000万用户数据,体验大数据时代-开水网络

5、数据人群性别分布

男比女足足多了23%的人数,我分析认为实际差距应该是不大的,但女生在设置QQ空间访问权限时普遍要比男生的高。所以我爬取的数据中男生居多。

偷腾讯3000万用户数据,体验大数据时代-开水网络

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。

6.1 图说股市

在知乎“能利用爬虫技术做到哪些很酷很有趣很有用的事情?”  有一个google实习的哥们@Emily L爬了400亿条tweet也做了很多有趣的分,其中提到一篇关于利用twitter上人的心情来预测股市的论文(http://battleofthequants.net/wp-content/uploads/2013/03/2010-10-15_JOCS_Twitter_Mood.pdf)很有意思。另附我在该问题下的答案“用爬虫监测她(他)的知乎动态”,仅做技术玩乐,求别再喷我猥琐了。

如果当我们拥有海量的QQ空间最新说说,和sina微博数据。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。我接下来可能会考虑去做这件有趣的事情。

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,再对这些海量用户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。

偷腾讯3000万用户数据,体验大数据时代-开水网络

6.2 群众讨论最多的明星排行榜,还是很靠谱的。

另附我抓的明星QQ号吧,纯属娱乐,自辩真假。有些空间确实有很多生活私照。

偷腾讯3000万用户数据,体验大数据时代-开水网络

6.3 最为用户喜爱的手机品牌

偷腾讯3000万用户数据,体验大数据时代-开水网络

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淘宝或者天猫吧。 取这么多名字,自讨苦吃。

偷腾讯3000万用户数据,体验大数据时代-开水网络

6.5 QQ空间中讨论的最为频繁的社交平台排行榜。

偷腾讯3000万用户数据,体验大数据时代-开水网络

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。

偷腾讯3000万用户数据,体验大数据时代-开水网络

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。附个设计图吧

偷腾讯3000万用户数据,体验大数据时代-开水网络

 
DEDE织梦CMS实现移动站跳转实操分享 网络营销

DEDE织梦CMS实现移动站跳转实操分享

在《DEDE织梦CMS移动站搭建及移动适配实操》这篇文章中分享了织梦CMS移动端网站搭建经验,这篇文章接着分享dedecms移动站跳转问题,即就是通过对来访设备的判断,跳转到PC站或者移动站对应的页面...
没有贫瘠的商业,只有懒惰的运营! 网络营销

没有贫瘠的商业,只有懒惰的运营!

全球商业连锁圈零售圈内圈外大小事儿商业连锁职业经理人的圈人物 观点咨询学术管理零售君在贫瘠的关中旱地是什么让袁家村和马嵬驿异军突起独领风骚,坪效超过一线城市购物中心?资源、区位、资金……似乎都有关系,...
价格大法好,敲诈无处逃! 网络营销

价格大法好,敲诈无处逃!

最近极限广告词刚消停一波,现在又出现了各种的价格投诉问题,弄的各位商家晕头转向,完全不知道这个价格投诉怎么去处理,所以邀请了阿里巴巴集团的法务专家关宁老师与物价局的专家专门为各位商家答疑解惑,下面的问...
匿名

发表评论

匿名网友
:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: