我从腾讯“偷了”3000万QQ用户数据,做出一份有趣的中国人习惯报告

作者:华省省 , 分类:经验心得 , 浏览:42998 , 评论:4
 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!

1.png

目前数据量为2G左右。

2.png

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

3.png


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

4.png

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。

出生统计图.png


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!

用户分布图.png



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。

年龄统计.png

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。

性别图.png

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

股市.png

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。

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。

张杰QQ:419998 花千骨的赵丽颖QQ:427794 谢娜QQ:500746 杨幂QQ:456773 范冰冰QQ:88597 周杰伦QQ:332661


明星.png

6.3 最为用户喜爱的手机品牌

手机.png

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。

互联网.png

6.5 QQ空间中讨论的最为频繁的社交平台排行榜。

QQ.png

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。
生活图.png

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
有用的.jpg

1亿.jpg

871382c3e1d58a2b8afecb9d2cbbdce2_b.png

另外广泛征集大家的聪明点子, 能否用这些数据做一个有趣的网站,app。 有趣或者能赚点小钱都行,只要不违法。

欢迎大家提出好的建议,不甚感激,欢迎转载。 如有需要联系([email protected]

版权说明:如非注明,本站文章均为 华省省 (QQ:283365526)原创,转载请注明出处和附带本文链接。

发表评论

必填

选填

选填

◎参与讨论,发表您的看法、交流您的观点,加我咱俩聊聊QQ:283365526

已有4位网友发表了看法:

1#启智网  2015-07-18 22:14:19 回复该评论
虽然我也是搞技术开发的,但是这样高深的程序我还真是写不出来, 膜拜一下
2#点亮吧  2015-07-20 14:34:43 回复该评论
看起来很复杂的样子,半懂非懂
3#湖南美邦教育  2015-07-20 20:05:32 回复该评论
看起来很复杂的样子
4#购物分享  2017-03-21 12:41:12 回复该评论
不错赞一个
热门文章
    站长新闻
    IT创业
    好文分享
    热评文章
      华省省博客