爬取虎嗅 5 万篇文章告诉你怎么样取标题

（给Python开发者加星标，提升Python技能）

作者：苏克（本文来自作者投稿，简介见末尾）

[h1]摘要：不少时候，一篇文章能否得到广泛的传播，除了文章本身实打实的质量以外，一个好的标题也至关重要。本文爬取了虎嗅网建站至今共 5 万条新闻标题内容，助你找到起文章标题的技巧与灵感。同时，分享一些值得关注的文章和作者。[/h1][h1]1. 分析背景[/h1][h2]1.1. 为什么选择「虎嗅」[/h2]在众多新媒体网站中，「虎嗅」网的文章内容和质量还算不错。在「新榜」科技类公众号排名中，它位居榜单第 3 名，还是比较受欢迎的。所以选择爬取该网站的文章信息，顺便从中了解一下这几年科技互联网都出现了哪些热点信息。

「关于虎嗅」
虎嗅网创办于 2012 年 5 月，是一个聚合优质创新信息与人群的新媒体平台。该平台专注于贡献原创、深度、犀利优质的商业资讯，围绕创新创业的观点进行剖析与交流。虎嗅网的核心，是关注互联网及传统产业的融合、明星公司的起落轨迹、产业潮汐的动力与趋势。

[h2]1.2. 分析内容[/h2]

分析虎嗅网 5 万篇文章的基本情况，包括收藏数、评论数等
发掘最受欢迎和最不受欢迎的文章及作者
分析文章标题形式（长度、句式）与受欢迎程度之间的关系
展现近些年科技互联网行业的热门词汇

[h2]1.3. 分析工具[/h2]

Python 3.6
pyspider
MongoDB
Matplotlib
WordCloud
Jieba

[h1]2. 数据抓取[/h1]使用 pyspider 抓取了虎嗅网的主页文章，文章抓取时期为 2012 年建站至 2018 年 11 月 1 日，共计约 5 万篇文章。抓取了 7 个字段信息：文章标题、作者、发文时间、评论数、收藏数、摘要和文章链接。
[h2]2.1. 目标网站分析[/h2]这是要爬取的网页界面，可以看到是通过 AJAX 加载的。

右键打开开发者工具查看翻页规律，可以看到 URL 请求是 POST 类型，下拉到底部查看 Form Data，表单需提交参数只有 3 项。经尝试，只提交 page 参数就能成功获取页面的信息，其他两项参数无关紧要，所以构造分页爬取非常简单。

1huxiu_hash_code:39bcd9c3fe9bc69a6b682343ee3f024a
2page:4
3last_dateline:1541123160

复制代码

接着，切换选项卡到 Preview 和 Response 查看网页内容，可以看到数据都位于 data 字段里。total_page 为 2004，表示一共有 2004 页的文章内容，每一页有 25 篇文章，总共约 5 万篇，也就是我们要爬取的数量。

[h2]2.2. pyspider 介绍[/h2]和之前文章不同的是，这里我们使用一种新的工具来进行爬取，叫做：pyspider 框架。由国人 binux 大神开发，GitHub Star 数超过 12 K，足以证明它的知名度。可以说，学习爬虫不能不会使用这个框架。
网上关于这个框架的介绍和实操案例非常多，这里仅简单介绍一下。
我们之前的爬虫都是在 Sublime 、PyCharm 这种 IDE 窗口中执行的，整个爬取过程可以说是处在黑箱中，内部运行的些细节并不太清楚。而 pyspider 一大亮点就在于提供了一个可视化的 WebUI 界面，能够清楚地查看爬虫的运行情况。

pyspider 的架构主要分为 Scheduler(调度器)、Fetcher(抓取器)、Processer(处理器)三个部分。Monitor(监控器)对整个爬取过程进行监控，Result Worker(结果处理器)处理最后抓取的结果。

该框架比较容易上手，网页右边是代码区，先定义类（Class）然后在里面添加爬虫的各种方法（也可以称为函数），运行的过程会在左上方显示，左下方则是输出结果的区域。
这里，分享几个不错的教程以供参考：
官方主页：http://docs.pyspider.org/en/latest/
pyspider 爬虫原理剖析：http://python.jobbole.com/81109/
pyspider 爬淘宝图案例实操：https://cuiqingcai.com/2652.html
安装好该框架并大概了解用法后，下面我们可以就开始爬取了。
[h2]2.3. 抓取数据[/h2]CMD 命令窗口执行：pyspider all 命令，然后浏览器输入：http://localhost:5000/ 就可以启动 pyspider 。
点击 Create 新建一个项目，Project Name 命名为：huxiu，因为要爬取的 URL 是 POST 类型，所以这里可以先不填写，之后可以在代码中添加，再次点击 Creat 便完成了该项目的新建。

新项目建立好后会自动生成一部分模板代码，我们只需在此基础上进行修改和完善，然后就可以运行爬虫项目了。现在，简单梳理下代码编写步骤。

1frompyspider.libs.base_handlerimport*
2classHandler(BaseHandler):
3crawl_config:{
4"headers":{
5'User-Agent':'Mozilla/5.0(WindowsNT6.1;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/66.0.3359.181Safari/537.36',
6'X-Requested-With':'XMLHttpRequest'
7}
8}
9defon_start(self):
10forpageinrange(2,3):#先循环1页
11print('正在爬取第%s页'%page)
12self.crawl('https://www.huxiu.com/v2_action/article_list',method='POST',data={'page':page},callback=self.index_page)

复制代码

这里，首先定义了一个 Handler 主类，整个爬虫项目都主要在该类下完成。接着，可以将爬虫基本的一些基本配置，比如 Headers、代理等设置写在下面的 crawl_config 属性中。
如果你还没有习惯从函数（def）转换到类（Class）的代码写法，那么需要先了解一下类的相关知识，之后我也会单独用一篇文章介绍一下。
下面的 on_start() 方法是程序的入口，也就是说程序启动后会首先从这里开始运行。首先，我们将要爬取的 URL传入 crawl() 方法，同时将 URL 修改成虎嗅网的：https://www.huxiu.com/v2_action/article_list。
由于 URL 是 POST 请求，所以我们还需要增加两个参数：method 和 data。method 表示 HTTP 请求方式，默认是 GET，这里我们需要设置为 POST；data 是 POST 请求表单参数，只需要添加一个 page 参数即可。
接着，通过 callback 参数定义一个 index_page() 方法，用来解析 crawl() 方法爬取 URL 成功后返回的 Response 响应。在后面的 index_page() 方法中，可以使用 PyQuery 提取响应中的所需内容。具体提取方法如下：

1importjson
2frompyqueryimportPyQueryaspq
3defindex_page(self,response):
4content=response.json['data']
5#注意，在sublime中，json后面需要添加()，pyspider中则不用
6doc=pq(content)
7lis=doc('.mod-art').items()
8data=[{
9'title':item('.msubstr-row2').text(),
10'url':'https://www.huxiu.com'+str(item('.msubstr-row2').attr('href')),
11'name':item('.author-name').text(),
12'write_time':item('.time').text(),
13'comment':item('.icon-cmt+em').text(),
14'favorites':item('.icon-fvr+em').text(),
15'abstract':item('.mob-sub').text()
16}foriteminlis]#列表生成式结果返回每页提取出25条字典信息构成的list
17print(data)
18returndata

复制代码

这里，网页返回的 Response 是 json 格式，待提取的信息存放在其中的 data 键值中，由一段 HTML 代码构成。我们可以使用 response.json['data'] 获取该 HTML 信息，接着使用 PyQuery 搭配 CSS 语法提取出文章标题、链接、作者等所需信息。这里使用了列表生成式，能够精简代码并且转换为方便的 list 格式，便于后续存储到 MongoDB 中。
我们输出并查看一下第 2 页的提取结果：

1#由25个dict构成的list
2[{'title':'想要长生不老？杀死体内的“僵尸细胞”吧','url':'https://www.huxiu.com/article/270086.html','name':'造就Talk','write_time':'19小时前','comment':'4','favorites':'28','abstract':'如果有了最终疗法，也不应该是每天都需要接受治疗'},
3{'title':'日本步入下流社会，我们还在买买买','url':'https://www.huxiu.com/article/270112.html','name':'腾讯《大家》','write_time':'20小时前','comment':'13','favorites':'142','abstract':'我买，故我在'}
4...
5]

复制代码

可以看到，成功得到所需数据，然后就可以保存了，可以选择输出为 CSV、MySQL、MongoDB 等方式，这里我们选择保存到 MongoDB 中。

1importpandasaspd
2importpymongo
3importtime
4importnumpyasnp
5client=pymongo.MongoClient('localhost',27017)
6db=client.Huxiu
7mongo_collection=db.huxiu_news
8
9defon_result(self,result):
10ifresult:
11self.save_to_mongo(result)
12defsave_to_mongo(self,result):
13df=pd.DataFrame(result)
14#print(df)
15content=json.loads(df.T.to_json()).values()
16ifmongo_collection.insert_many(content):
17print('存储到mongondb成功')
18#随机暂停
19sleep=np.random.randint(1,5)
20time.sleep(sleep)

复制代码

上面，定义了一个 on_result() 方法，该方法专门用来获取 return 的结果数据。这里用来接收上面 index_page() 返回的 data 数据，在该方法里再定义一个存储到 MongoDB 的方法就可以保存到 MongoDB 中。
关于数据如何存储到 MongoDB 中，我们在之前的一篇文章中有过介绍，如果忘记了可以回顾一下。
下面，我们来测试一下整个爬取和存储过程。点击左上角的 run 就可以顺利运行单个网页的抓取、解析和存储，结果如下：

上面完成了单页面的爬取，接下来，我们需要爬取全部 2000 余页内容。
需要修改两个地方，首先在 on_start() 方法中将 for 循环页数 3 改为 2002。改好以后，如果我们直接点击 run ，会发现还是只能爬取第 2 页的结果。
这是因为，pyspider 以 URL的 MD5 值作为唯一 ID 编号，ID 编号相同的话就视为同一个任务，便不会再重复爬取。由于 GET 请求的分页URL 通常是有差异的，所以 ID 编号会不同，也就自然能够爬取多页。但这里 POST 请求的分页 URL 是相同的，所以爬完第 2 页，后面的页数便不会再爬取。
那有没有解决办法呢？当然是有的，我们需要重新写下 ID 编号的生成方式，方法很简单，在 on_start() 方法前面添加下面 2 行代码即可：

1defget_taskid(self,task):
2returnmd5string(task['url']+json.dumps(task['fetch'].get('data','')))

复制代码

这样，我们再点击 run 就能够顺利爬取 2000 页的结果了，我这里一共抓取了 49,996 条结果，耗时 2 小时左右完成。

以上，就完成了数据的获取。有了数据我们就可以着手分析，不过这之前还需简单地进行一下数据的清洗、处理。
[h1]3. 数据清洗处理[/h1]首先，我们需要从 MongoDB 中读取数据，并转换为 DataFrame。

1client=pymongo.MongoClient(host='localhost',port=27017)
2db=client['Huxiu']
3collection=db['huxiu_news']
4#将数据库数据转为DataFrame
5data=pd.DataFrame(list(collection.find()))

复制代码

下面我们看一下数据的总体情况，可以看到数据的维度是 49996 行 × 8 列。发现多了一列无用的 _id 需删除，同时 name 列有一些特殊符号，比如需删除。另外，数据格式全部为 Object 字符串格式，需要将 comment 和 favorites 两列更改为数值格式、 write_time 列更改为日期格式。

1print(data.shape)#查看行数和列数
2print(data.info())#查看总体情况
3print(data.head())#输出前5行
4
5#结果：
6(49996,8)
7Datacolumns(total8columns):
8_id49996non-nullobject
9abstract49996non-nullobject
10comment49996non-nullobject
11favorites49996non-nullobject
12name49996non-nullobject
13title49996non-nullobject
14url49996non-nullobject
15write_time49996non-nullobject
16dtypes:object(8)
17
18_idabstractcommentfavoritesnametitleurlwrite_time
1905bdc2“在你们看到…2250普象工业设计小站看了苹果屌https://10小时前
2015bdc2中国”绿卡”号称“世界最难拿”916经济观察报递交材料厚https://10小时前
2125bdc2鲜衣怒马少年时213小马宋金庸小说陪https://11小时前
2235bdc2预告还是预警？310CubaLibre阿里即将发https://11小时前
2345bdc2库克：咋回事？23CubaLibre【虎嗅早报https://11小时前

复制代码

代码实现如下：

1#删除无用_id列
2data.drop(['_id'],axis=1,inplace=True)
3#替换掉特殊字符
4data['name'].replace('','',inplace=True,regex=True)
5#字符更改为数值
6data=data.apply(pd.to_numeric,errors='ignore')
7#更该日期格式
8data['write_time']=data['write_time'].replace('.*前','2018-10-31',regex=True)
9#为了方便，将write_time列，包含几小时前和几天前的行，都替换为10月31日最后1天。
10data['write_time']=pd.to_datetime(data['write_time'])

复制代码

下面，我们看一下数据是否有重复，如果有，那么需要删除。

1#判断整行是否有重复值
2print(any(data.duplicated()))
3#显示True，表明有重复值，进一步提取出重复值数量
4data_duplicated=data.duplicated().value_counts()
5print(data_duplicated)#显示2True，表明有2个重复值
6#删除重复值
7data=data.drop_duplicates(keep='first')
8#删除部分行后，index中断，需重新设置index
9data=data.reset_index(drop=True)
10#结果：
11True
12False49994
13True2

复制代码

然后，我们再增加两列数据，一列是文章标题长度列，一列是年份列，便于后面进行分析。

1data['title_length']=data['title'].apply(len)
2data['year']=data['write_time'].dt.year
3Datacolumns(total9columns):
4abstract49994non-nullobject
5comment49994non-nullint64
6favorites49994non-nullint64
7name49994non-nullobject
8title49994non-nullobject
9url49994non-nullobject
10write_time49994non-nulldatetime64[ns]
11title_length49994non-nullint64
12year49994non-nullint64

复制代码

以上，就完成了基本的数据清洗处理过程，针对这 9 列数据可以开始进行分析了。
[h1]4. 描述性数据分析[/h1]通常，数据分析主要分为四类：「描述型分析」、「诊断型分析」「预测型分析」「规范型分析」。「描述型分析」是用来概括、表述事物整体状况以及事物间关联、类属关系的统计方法，是这四类中最为常见的数据分析类型。通过统计处理可以简洁地用几个统计值来表示一组数据地集中性（如平均值、中位数和众数等）和离散型(反映数据的波动性大小，如方差、标准差等)。
这里，我们主要进行描述性分析，数据主要为数值型数据（包括离散型变量和连续型变量）和文本数据。
[h2]4.1. 总体情况[/h2]先来看一下总体情况。

1print(data.describe())
2commentfavoritestitle_length
3count49994.00000049994.00000049994.000000
4mean10.86020334.08181022.775333
5std24.08596948.2762139.540142
6min0.0000000.0000001.000000
725%3.0000009.00000017.000000
850%6.00000019.00000022.000000
975%12.00000040.00000028.000000
10max2376.0000001113.000000224.000000

复制代码

这里，使用了 data.describe() 方法对数值型变量进行统计分析。从上面可以简要得出以下几个结论：

读者的评论和收藏热情都不算太高。大部分文章（75 %）的评论数量为十几条，收藏数量不过几十个。这和一些微信大 V 公众号动辄百万级阅读、数万级评论和收藏量相比，虎嗅网的确相对小众一些。不过也正是因为小众，也才深得部分人的喜欢。
评论数最多的文章有 2376 条，收藏数最多的文章有 1113 个收藏量，说明还是有一些潜在的比较火或者质量比较好的文章。
最长的文章标题长达 224 个字，大部分文章标题长度在 20 来个字左右，所以标题最好不要太长或过短。

对于非数值型变量（name、write_time），使用 describe() 方法会产生另外一种汇总统计。

1print(data['name'].describe())
2print(data['write_time'].describe())
3#结果：
4count49994
5unique3162
6top虎嗅
7freq10513
8Name:name,dtype:object
9count49994
10unique2397
11top2014-07-1000:00:00
12freq274
13first2012-04-0300:00:00
14last2018-10-3100:00:00

复制代码

unique 表示唯一值数量，top 表示出现次数最多的变量，freq 表示该变量出现的次数，所以可以简单得出以下几个结论：

在文章来源方面，3162 个作者贡献了这 5 万篇文章，其中自家官网「虎嗅」写的数量最多，超过了 1 万篇，这也很自然。
在文章发表时间方面，最早的一篇文章来自于 2012年 4 月 3 日。 6 年多时间，发文数最多的 1 天是 2014 年 7 月 10 日，一共发了 274 篇文章。

[h2]4.2. 不同时期文章发布的数量变化[/h2]
可以看到，以季度为时间尺度的 6 年间，前几年发文数量比较稳定，大概在1750 篇左右，个别季度数量激增到 2000 篇以上。2016 年之后文章开始增加到 2000 篇以上，可能跟网站知名度提升有关。首尾两个季度日期不全，所以数量比较少。
具体代码实现如下：

1defanalysis1(data):
2##汇总统计
3#print(data.describe())
4#print(data['name'].describe())
5#print(data['write_time'].describe())
6
7data.set_index(data['write_time'],inplace=True)
8data=data.resample('Q').count()['name']#以季度汇总
9data=data.to_period('Q')
10#创建x,y轴标签
11x=np.arange(0,len(data),1)
12ax1.plot(x,data.values,#x、y坐标
13color=color_line,#折线图颜色为红色
14marker='o',markersize=4#标记形状、大小设置
15)
16ax1.set_xticks(x)#设置x轴标签为自然数序列
17ax1.set_xticklabels(data.index)#更改x轴标签值为年份
18plt.xticks(rotation=90)#旋转90度，不至太拥挤
19
20forx,yinzip(x,data.values):
21plt.text(x,y+10,'%.0f'%y,ha='center',color=colors,fontsize=fontsize_text)
22#'%.0f'%y设置标签格式不带小数
23#设置标题及横纵坐标轴标题
24plt.title('虎嗅网文章数量发布变化(2012-2018)',color=colors,fontsize=fontsize_title)
25plt.xlabel('时期')
26plt.ylabel('文章(篇)')
27plt.tight_layout()#自动控制空白边缘
28plt.savefig('虎嗅网文章数量发布变化.png',dpi=200)
29plt.show()

复制代码

[h2]4.3. 文章收藏量 TOP10[/h2]接下来，到了我们比较关心的问题：几万篇文章里，到底哪些文章写得比较好或者比较火？

此处选取了「favorites」(收藏数量)作为衡量标准。毕竟，一般好的文章，我们都会有收藏的习惯。
第一名「读完这10本书，你就能站在智商鄙视链的顶端了」以 1113 次收藏位居第一，并且遥遥领先于后者，看来大家都怀有「想早日攀上人生巅峰，一览众人小」的想法啊。打开这篇文章的链接，文中提到了这几本书：《思考，快与慢》、《思考的技术》、《麦肯锡入职第一课：让职场新人一生受用的逻辑思考力》等。一本都没看过，看来这辈子是很难登上人生巅峰了。
发现两个有意思的地方：
第一，文章标题都比较短小精炼。
第二，文章收藏量虽然比较高，但评论数都不多，猜测这是因为大家都喜欢做伸手党？
[h2]4.4. 历年文章收藏量 TOP3[/h2]在了解文章的总体排名之后，我们来看看历年的文章排名是怎样的。这里，每年选取了收藏量最多的 3 篇文章。

可以看到，文章收藏量基本是逐年递增的，但 2015 年的 3 篇文章的收藏量却是最高的，包揽了总排名的前 3 名，不知道这一年的文章有什么特别之处。
以上只罗列了一小部分文章的标题，可以看到标题起地都蛮有水准的。关于标题的重要性，有这样通俗的说法：「

一篇好文章，标题占一半

复制代码

」，一个好的标题可以大大增强文章的传播力和吸引力。文章标题虽只有短短数十字，但要想起好，里面也是很有很多技巧的。
好在，这里提供了 5 万个标题可供参考。

如需，可以在公众号后台回复「虎嗅」得到这份 CSV 文件。

复制代码

代码实现如下：

1defanalysis2(data):
2##总收藏排名
3#top=data.sort_values(['favorites'],ascending=False)
4##收藏前10
5#top.index=(range(1,len(top.index)+1))#重置index，并从1开始编号
6#print(top[:10][['title','favorites','comment']])
7
8#按年份排名
9##增加一列年份列
10#data['year']=data['write_time'].dt.year
11deftopn(data):
12top=data.sort_values('favorites',ascending=False)
13returntop[:3]
14data=data.groupby(by=['year']).apply(topn)
15print(data[['title','favorites']])
16#增加每年top123列，列依次值为1、2、3
17data['add']=1#辅助
18data['top']=data.groupby(by='year')['add'].cumsum()
19data_reshape=data.pivot_table(index='year',columns='top',values='favorites').reset_index()
20#print(data_reshape)#ok
21data_reshape.plot(
22#x='year',
23y=[1,2,3],
24kind='bar',
25width=0.3,
26color=['#1362A3','#3297EA','#8EC6F5']#设置不同的颜色
27#title='虎嗅网历年收藏数最多的3篇文章'
28)
29plt.xlabel('Year')
30plt.ylabel('文章收藏数量')
31plt.title('历年TOP3文章收藏量比较',color=colors,fontsize=fontsize_title)
32plt.tight_layout()#自动控制空白边缘，以全部显示x轴名称
33#plt.savefig('历年Top3文章收藏量比较.png',dpi=200)
34plt.show()

复制代码

[h3]4.4.1. 最高产作者 TOP20[/h3]上面，我们从收藏量指标进行了分析,下面，我们关注一下发布文章的作者（个人/媒体）。前面提到发文最多的是虎嗅官方，有一万多篇文章，这里我们筛除官媒，看看还有哪些比较高产的作者。

可以看到，前 20 名作者的发文量差距都不太大。发文比较多的有「娱乐资本论」、「Eastland」、「发条橙子」这类媒体号；也有虎嗅官网团队的作者：发条橙子、周超臣、张博文等；还有部分独立作者：假装FBI、孙永杰等。可以尝试关注一下这些高产作者。
代码实现如下：

1defanalysis3(data):
2data=data.groupby(data['name'])['title'].count()
3data=data.sort_values(ascending=False)
4#pandas直接绘制,.invert_yaxis()颠倒顺序
5data[1:21].plot(kind='barh',color=color_line).invert_yaxis()
6fory,xinenumerate(list(data[1:21].values)):
7plt.text(x+12,y+0.2,'%s'%round(x,1),ha='center',color=colors)
8plt.xlabel('文章数量')
9plt.ylabel('作者')
10plt.title('发文数量最多的TOP20作者',color=colors,fontsize=fontsize_title)
11plt.tight_layout()
12plt.savefig('发文数量最多的TOP20作者.png',dpi=200)
13plt.show()

复制代码

[h3]4.4.2. 平均文章收藏量最多作者 TOP 10[/h3]我们关注一个作者除了是因为文章高产以外，可能更看重的是其文章水准。这里我们选择「文章平均收藏量」（总收藏量/文章数）这个指标，来看看文章水准比较高的作者是哪些人。
这里，为了避免出现「某作者只写了一篇高收藏率的文章」这种不能代表其真实水准的情况，我们将筛选范围定在至少发布过 5 篇文章的作者们。

可以看到，前 10 名作者包括：遥遥领先的重读、两位高产又有质量的辩手李慕阳和饭统戴老板，还有大众比较熟悉的高晓松、宁南山等。
如果你将这份名单和上面那份高产作者名单进行对比，会发现他们没有出现在这个名单中。相比于数量，质量可能更重要吧。
下面，我们就来看看排名第一的重读都写了哪些高收藏量文章。

居然写的都是清一色关于马老板家的文章。
了解了前十名作者之后，我们顺便也看看那些处于最后十名的都是哪些作者。

一对比，就能看到他们的文章收藏量就比较寒碜了。尤其好奇最后一位作者Yang Yemeng，他写了 7 篇文章，竟然一个收藏都没有。
来看看他究竟写了些什么文章。

原来写的全都是英文文章，看来大家并不太钟意阅读英文类的文章啊。
具体实现代码：

1defanalysis4(data):
2data=pd.pivot_table(data,values=['favorites'],index='name',aggfunc=[np.sum,np.size])
3data['avg']=data[('sum','favorites')]/data[('size','favorites')]
4#平均收藏数取整
5#data['avg']=data['avg'].round(decimals=1)
6data['avg']=data['avg'].astype('int')
7#flatten平铺列
8data.columns=data.columns.get_level_values(0)
9data.columns=['total_favorites','ariticls_num','avg_favorites']
10#筛选出文章数至少5篇的
11data=data.query('ariticls_num>4')
12data=data.sort_values(by=['avg_favorites'],ascending=False)
13##查看平均收藏率第一名详情
14#data=data.query('name=="重读"')
15##查看平均收藏率倒数第一名详情
16#data=data.query('name=="YangYemeng"')
17#print(data[['title','favorites','write_time']])
18print(data[:10])#前10名
19print(data[-10:])#后10名

复制代码

[h2]4.5. 文章评论数最多 TOP10[/h2]说完了收藏量。下面，我们再来看看评论数量最多的文章是哪些。

基本上都是和三星有关的文章，这些文章大多来自 2014 年，那几年三星好像是挺火的，不过这两年国内基本上都见不到三星的影子了，世界变化真快。
发现了两个有意思的现象。
第一，上面关于三星和前面阿里的这些批量文章，它们「霸占」了评论和收藏榜，结合知乎上曾经的一篇关于介绍虎嗅这个网站的文章：虎嗅网其实是这样的，貌似能发现些微妙的事情。
第二，这些文章评论数和收藏数两个指标几乎呈极端趋势，评论量多的文章收藏量却很少，评论量少的文章收藏量却很多。
我们进一步观察下这两个参数的关系。

可以看到，大多数点都位于左下角，意味着这些文章收藏量和评论数都比较低。但也存在少部分位于上方和右侧的异常值，表明这些文章呈现「多评论、少收藏」或者「少评论、多收藏」的特点。
[h2]4.6. 文章标题长度[/h2]下面，我们再来看看文章标题的长度和收藏量之间有没有什么关系。

大致可以看出两点现象：
第一，收藏量高的文章，他们的标题都比较短（右侧的部分散点）。
第二，标题很长的文章，它们的收藏量都非常低（左边形成了一条垂直线）。
看来，文章起标题时最好不要起太长的。
实现代码如下：

1defanalysis5(data):
2plt.scatter(
3x=data['favorites'],
4y=data['comment'],
5s=data['title_length']/2,
6)
7plt.xlabel('文章收藏量')
8plt.ylabel('文章评论数')
9plt.title('文章标题长度与收藏量和评论数之间的关系',color=colors,fontsize=fontsize_title)
10plt.tight_layout()
11plt.show()

复制代码

[h2]4.7. 标题形式[/h2]下面，我们看看作者在起文章标题的时候，在标点符号方面有没有什么偏好。

可以看到，五万篇文章中，大多数文章的标题是陈述性标题。三分之一（34.8%）的文章标题使用了问号「？」，而仅有 5% 的文章用了叹号「！」。通常，问号会让人们产生好奇，从而想去点开文章；而叹号则会带来一种紧张或者压迫感，使人不太想去点开。所以，可以尝试多用问号而少用叹号。
[h2]4.8. 文本分析[/h2]最后，我们从这 5 万篇文章中的标题和摘要中，来看看虎嗅网的文章主要关注的都是哪些主题领域。
这里首先运用了 jieba 分词包对标题进行了分词，然后用 WordCloud 做成了词云图，因虎嗅网含有「虎」字，故选取了一张老虎头像。（关于 jieba 和 WordCloud 两个包，之后再详细介绍）

可以看到文章的主题内容侧重于：互联网、知名公司、电商、投资这些领域。这和网站本身对外宣传的核心内容，即「关注互联网与移动互联网一系列明星公司的起落轨迹、产业潮汐的动力与趋势，以及互联网与移动互联网如何改造传统产业」大致相符合。
实现代码如下：

1defanalysis6(data):
2text=''
3foriindata['title'].values:
4symbol_to_replace='[!"#$%&\'()*+,-./:;?@，。?★、…【】《》？“”‘’！[\\]^_`{|}~]+'
5i=re.sub(symbol_to_replace,'',i)
6text+=''.join(jieba.cut(i,cut_all=False))
7d=path.dirname(__file__)if"__file__"inlocals()elseos.getcwd()
8
9background_Image=np.array(Image.open(path.join(d,"tiger.png")))
10font_path='C:\Windows\Fonts\SourceHanSansCN-Regular.otf'#思源黑字体
11
12#添加stopswords
13stopwords=set()
14#先运行对text进行词频统计再排序，再选择要增加的停用词
15stopwords.update(['如何','怎么','一个','什么','为什么','还是','我们','为何','可能','不是','没有','哪些','成为','可以','背后','到底','就是','这么','不要','怎样','为了','能否','你们','还有','这样','这个','真的','那些'])
16wc=WordCloud(
17background_color='black',
18font_path=font_path,
19mask=background_Image,
20stopwords=stopwords,
21max_words=200,
22margin=2,
23max_font_size=100,
24random_state=42,
25scale=2,
26)
27wc.generate_from_text(text)
28process_word=WordCloud.process_text(wc,text)
29#下面是字典排序
30sort=sorted(process_word.items(),key=lambdae:e[1],reverse=True)#sort为list
31print(sort[:50])#输出前词频最高的前50个，然后筛选出不需要的stopwords，添加到前面的stopwords.update()方法中
32img_colors=ImageColorGenerator(background_Image)
33wc.recolor(color_func=img_colors)#颜色跟随图片颜色
34plt.imshow(wc,interpolation='bilinear')
35plt.axis('off')
36plt.tight_layout()#自动控制空白边缘
37plt.savefig('huxiu20.png',dpi=200)
38plt.show()

复制代码

上面的关键词是这几年总体的概况，而科技互联网行业每年的发展都是不同的，所以，我们再来看看历年的一些关键词，透过这些关键词看看这几年互联网行业、科技热点、知名公司都有些什么不同变化。

可以看到每年的关键词都有一些相同之处，但也不同的地方：

中国互联网、公司、苹果、腾讯、阿里等这些热门关键词一直都是热门，这几家公司真是稳地一批啊。
每年会有新热点涌现：比如 2013 年的微信（刚开始火）、2016 年的直播（各大直播平台如雨后春笋般出现）、2017年的 iPhone（上市十周年）、2018年的小米（上市）。
不断有新的热门技术出现：2013 - 2015 年的 O2O、2016 年的 VR、2017 年的 AI 、2018 年的「区块链」。这些科技前沿技术也是这几年大家口耳相传的热门词汇。

通过这一幅图，就看出了这几年科技互联网行业、明星公司、热点信息的风云变化。
[h1]5. 小结[/h1]

本文简要分析了虎嗅网 5 万篇文章信息，大致了解了近些年科技互联网的千变万化。
发掘了那些优秀的文章和作者，能够节省宝贵的时间成本。
一篇文章要想传播广泛，文章本身的质量和标题各占一半，文中的5 万个标题相信能够带来一些灵感。
本文尚未做深入的文本挖掘，而文本挖掘可能比数据挖掘涵盖的信息量更大，更有价值。进行这些分析需要机器学习和深度学习的知识，待后期学习后再来补充。

本文完。
文中的完整代码和素材可以在下面的链接中获取：
https://github.com/makcyun/eastmoney_spider

【本文作者】

苏克：985 高校研究僧，转行 Python，爱好 Python 爬虫、数据分析和挖掘，个人公众号：第2大脑。

推荐阅读
（点击标题可跳转阅读）
[/url]
[url=http://mp.weixin.qq.com/s?__biz=MzA4MjEyNTA5Mw==&mid=2652567658&idx=1&sn=b5e4a8bece19148077ef0b8c980cf01f&chksm=8464d020b31359363a4bab3581ee3194d52d59af1a8bb3bd9e51d096a6e48c14355f09b72921&scene=21#wechat_redirect]手把手教你写网络爬虫（2）：迷你爬虫架构

Python 爬虫实践：《战狼2》豆瓣影评分析
Python 爬虫抓取纯静态网站及其资源

觉得本文对你有帮助？请分享给更多人
关注「Python开发者」加星标，提升Python技能