中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

兩周前，做的一個項目需要模擬一批用戶評價數(shù)據(jù)，如果想讓數(shù)據(jù)看著真實點，那就得使用隨機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，昵稱，空間名稱，會員級別，頭像，最新一條說說內(nèi)容，最新說說的發(fā)表時間，空間簡介，性別，生日，所在省份，城市，婚姻狀況）的詳細數(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。 最快的時候爬取速度達到一天500W新Q數(shù)據(jù)。

沒圖，我說個毛線啊！

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)計圖（數(shù)據(jù)量太大了一次加載到內(nèi)存中直接報內(nèi)存不夠了，所以下面的統(tǒng)計數(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。 誰贊助臺服務器吧~~

大家一般都在啥時候發(fā)說說呢？

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

一會我再統(tǒng)計張中國人習慣幾點起床，幾點吃飯，幾點睡覺的圖吧

中國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候。 但1月份最高且和2月落差很大有點不好理解，那么冷的天生不怕凍嗎？ 我估計是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，沖動就啪啪啪。 4月份生日的最少也好理解，中國人不喜歡4這個數(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。

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，我就是湖南的！ 湖南人在廣東打工的超級多，這也能理解為什么廣東排名第一了。江蘇是我上學的地方，有點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，四川人交際能力全國第一，我平時在重慶小面吃飯，四川人確實特別，說話語速那個快啊，聲調那個高啊。受不了！

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。我就是那個最高值的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聯(lián)還非常大，隨著數(shù)據(jù)量的不斷增加這種關聯(lián)會逐漸變小，統(tǒng)計圖也會逐漸接近全國用戶的真實情況。真想弄幾臺服務器分布式搞起，估計一周就能爬上億的簡單數(shù)據(jù)。 單靠我的筆記本和家里超爛的網(wǎng)速達到這個目標還很遠。

數(shù)據(jù)人群性別分布

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

下面系列圖是根據(jù)一些“關鍵字”在說說中出現(xiàn)的頻率統(tǒng)計出來的，相當有意思。

圖說股市

在知乎“能利用爬蟲技術做到哪些很酷很有趣很有用的事情？” 有一個google實習的哥們@Emily L爬了400億條tweet也做了很多有趣的分，其中提到一篇關于利用twitter上人的心情來預測股市的論文()很有意思。另附我在該問題下的答案“用爬蟲監(jiān)測她（他）的知乎動態(tài)”，僅做技術玩樂，求別再噴我猥瑣了。

如果當我們擁有海量的QQ空間最新說說，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測是可行的，準確度應該也是非常高的。我接下來可能會考慮去做這件有趣的事情。

將股票中的關鍵字做海量數(shù)據(jù)分析，比如會得出當日討論股票排行榜。進而能得到海量討論股票的用戶，再通過市場的實際反饋找出股票上漲及下跌的正相關因子，再對這些海量用戶進行分析計算得出最靠譜股票推薦大神排行榜。對這些用戶分級，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。

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號吧，純屬娛樂，自辯真假。有些空間確實有很多生活私照。

張杰QQ：419998

花千骨的趙麗穎QQ：427794

謝娜QQ：500746

楊冪QQ:456773

周杰倫QQ：332661

最為用戶喜愛的手機品牌

人們最喜歡談論的互聯(lián)網(wǎng)公司，阿里之所以這么低估計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。

?QQ空間中討論的最為頻繁的社交平臺排行榜。

生活的統(tǒng)計圖

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

好了，其實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。

技術不多說了，程序不難，多線程數(shù)據(jù)庫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，有空我再寫個程序升級過程中的那些趣事吧。我覺得一個美妙的程序一定是高度模擬現(xiàn)實的，就像飛機模仿蜻蜓，雷達模仿蝙蝠一樣。 這次的程序設計就是模擬的工廠的生產(chǎn)線。附個設計圖吧。

作者：hi@wuxinsheng.com

來源：博客園

原文地址：http://www.cnblogs.com/cinser/p/4656386.html