作业笔记13_bili user

目标:爬取B站用户信息,对地区分布、关注人数、播放量进行分析。(结果只爬了最早期的一部分数据。依然有bug。

参考资料:


为了方便保存数据,用了MySQL数据库。

创建MySQL数据库

新数据库

create database bili;

创建数据表

CREATE TABLE userinfo (
    id          BIGINT      NOT NULL    AUTO_INCREMENT,
    uid         BIGINT,
    name        VARCHAR(225),
    sex         CHAR(8),
    regtime     DATETIME,
    coins       INT,
    birthday    DATE,
    fans        INT,
    attention   INT,
    place       VARCHAR(80),
    playNum     BIGINT,
    level       INT,
    exp         INT,
    created     TIMESTAMP       DEFAULT CURRENT_TIMESTAMP,
    PRIMARY KEY(id)
);

unicode设置,设置所有字符串数据的编码格式。

ALTER DATABASE bili CHARACTER SET = utf8mb4 COLLATE =utf8mb4_unicode_ci;
ALTER TABLE userinfo CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
ALTER TABLE userinfo CHANGE name name VARCHAR(225) CHARACTER SET utf8mb4 COLLATE  utf8mb4_unicode_ci;
ALTER TABLE userinfo CHANGE sex sex CHAR(8) CHARACTER SET utf8mb4 COLLATE  utf8mb4_unicode_ci;
ALTER TABLE userinfo CHANGE place place varchar(80) CHARACTER SET utf8mb4 COLLATE  utf8mb4_unicode_ci;

爬虫代码

import requests
import json
import pymysql
from multiprocessing.dummy import Pool as ThreadPool
import time
import random

user = "user"
passwd = "password"
db =  "bili"
uids = range(10000)

def get_data(mid):
    header = {
        'Referer': 'http://space.bilibili.com/'+str(mid)+'/',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
        'X-Requested-With': 'XMLHttpRequest',
        'Origin': 'http://space.bilibili.com',
        'Host': 'space.bilibili.com',
        'AlexaToolbar-ALX_NS_PH': 'AlexaToolbar/alx-4.0',
        'Accept-Language': 'zh-CN,zh;q=0.8,en;q=0.6,ja;q=0.4',
        'Accept': 'application/json, text/javascript, */*; q=0.01',
       }
    payload = {'_': int(round(time.time() * 1000)), 'mid':mid}
#    time.sleep(random.random())
    try:
        jscontent = requests.post('http://space.bilibili.com/ajax/member/GetInfo', headers=header,  data=payload).content
        jsDict = json.loads(jscontent.decode('utf-8'))
        jsData = jsDict['data']
        mid = jsData['mid']
        name = jsData['name']
        sex = jsData['sex']
        regtime = jsData['regtime']
        coins = jsData['coins']
        birthday = jsData['birthday']
        fans = jsData['fans']
        attention = jsData['attention']
        place = jsData['place']
        playNum = jsData['playNum']
        level = jsData['level_info']['current_level']
        exp = jsData['level_info']['current_exp']

        regtime = time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(regtime))
        into_mysql( [mid, name, sex, regtime, coins, birthday, fans, attention, place, playNum, level, exp] )
    except:
        pass
        #print(mid)
def into_mysql(data):
    try:
        cur.execute('insert into userinfo (uid, name, sex, regtime, coins, birthday, fans, attention, place, playNum, level, exp) \
                    values (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)', data)
        conn.commit()
    except:
        pass

if __name__ =='__main__':
    conn = pymysql.connect(host="localhost",user=user,passwd=passwd,db=db,use_unicode=True, charset="utf8")
    cur = conn.cursor()

    pool = ThreadPool(1)
    results = pool.map(get_data,uids)

    pool.close()
    pool.join()

    cur.close()
    conn.close()

数据分析

B站到现在(2017.2.15 13:44)用户数量达到90568280,而且一直在增加中。不太懂多线程、分布式的东西,在一台电脑上爬很慢的。而且b站有反爬虫机制,访问太频繁了会出现验证信息。勉为其难的用现有的数据做分析看看。

读取数据

import pandas as pd
#import pymysql
import matplotlib.pyplot as plt
import seaborn as sns

try:
    data = pd.read_csv('D:/bili_user.csv', encoding='utf-8', index_col='id')
except:
    user = "user"
    passwd = "password"
    db =  "bili"
    conn = pymysql.connect(host="localhost",user=user,passwd=passwd,db=db,use_unicode=True, charset="utf8")
    cur = conn.cursor()
    cur.execute('select DISTINCT * from userinfo;')
    raw_data = cur.fetchall()
    cur.close()
    conn.close()

    columns = ['id', 'userID', 'name', 'sex', 'regtime', 'coins', 'birthday', 'fans', 'attention', 'place', 'playNum', 'level', 'exp', 'created']
    df = pd.DataFrame(list(raw_data), columns=columns, index_col='id')
    print(df.head())
    df.to_csv('D:/bili_user.csv', encoding='utf-8')
    data = pd.read_csv('D:/bili_user.csv', encoding='utf-8', index_col='id')

data.drop_duplicates('userID', inplace=True)
data['sex'].fillna("未填写", inplace=True)

一共一万多条:

查看性别比例

data.groupby(['sex']).count()['userID'].plot.pie()
plt.show()

现在男女比例其实差不多的,而且不填写性别的站很少一部分。因为这只是爬到10年之前的用户,所以结果和现在不太一样。

粉丝最多的20个账号

data.sort_values(by='fans', ascending=False, inplace=True)
data[['userID','name','fans']].head(20)
data['fans'].head(20).plot.bar()
plt.show()

'''
        userID       name               fans
id                                
18052   122879        敖厂长          2115125
17478   883968       暴走漫画         2045366
18231   221648     柚子木字幕组        1599162
17230   777536      LexBurner         1590006
18758   375375      伊丽莎白鼠         1529054
18947   486183       排骨教主          1276675
18368   585267   纯黑哥居然被用了       1222528
17668  1643718       山下智博          1180853
19309   423895    怕上火暴王老菊        1026379
19117   391679        A路人            867697
2151      7714    女孩为何穿短裙        590793
3841     11073     hanser             409310
4189     13046       少年Pi            378439
4373     14082         山新            195274
74          79     saber酱             162584
427        608        晚香玉           129534
2            2         碧诗            128235
9526     33696        Lov             115770
5801     19919       百合花开           114397
14011    44524    螺螺螺螺螺螺螺        108256
'''

分布地区

datap = data[['userID', 'place']].dropna()
datap['place_s'] = datap['place'].str.split(' ').str.get(0)
datap.groupby(['place_s']).count()['userID'].plot.bar()
plt.show()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,542评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,596评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,021评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,682评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,792评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,985评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,107评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,845评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,299评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,612评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,747评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,441评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,072评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,828评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,069评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,545评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,658评论 2 350

推荐阅读更多精彩内容