all_text = ‘’.join(all_html)
#all_text = all_text.replace(‘\u002F’,‘/’)
all_text = all_text.replace(‘questions’,‘question’)
pat = ‘question/\d+’
questions = list(set([k for k in re.findall(pat,all_text)]))
获得到了问题的对应的编号后,就可以去各自的页面获取各个问题对应的的标题、浏览数等信息,如下图所示:
这部分代码如下:
header = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win32; x32; rv:54.0) Gecko/20100101 Firefox/54.0’,
‘Connection’: ‘keep-alive’}
cookies =‘v=3; iuuid=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; webp=true; ci=1%2C%E5%8C%97%E4%BA%AC; __guid=26581345.3954606544145667000.1530879049181.8303; _lxsdk_cuid=1646f808301c8-0a4e19f5421593-5d4e211f-100200-1646f808302c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; monitor_count=1; _lxsdk_s=16472ee89ec-de2-f91-ed0%7C%7C5; __mta=189118996.1530879050545.1530936763555.1530937843742.18’
cookie = {}
for line in cookies.split(‘;’):
name, value = cookies.strip().split(‘=’, 1)
cookie[name] = value
questions_df = pd.DataFrame(columns = [‘title’,‘visit’,‘follower’,‘answer’,‘is_open’])
for i in range(len(questions)):
try:
url = ‘https://www.zhihu.com/’+questions[i]
html = requests.get(url,cookies=cookie, headers=header).content
bsObj = BeautifulSoup(html.decode(‘utf-8’),“html.parser”)
text = str(bsObj)
title = bsObj.find(‘h1’,attrs={‘class’:‘QuestionHeader-title’}).text
visit = int(re.findall(‘“visitCount”:\d+’,text)[0].replace(‘“visitCount”:’,‘’))
follower = int(re.findall(‘“followerCount”:\d+’,text)[0].replace(‘“followerCount”:’,‘’))
answer = int(re.findall(‘“answerCount”:\d+’,text)[0].replace(‘“answerCount”:’,‘’))
is_open = int(len(re.findall(‘问题已关闭’,text))==0)
questions_df = questions_df.append({‘title’:title,‘visit’:visit,
‘follower’:follower,‘answer’:answer,
‘is_open’:is_open},ignore_index=True)
time.sleep(2)
print(i)
except:
print(‘错误’+str(i))
在分享出最终的“沙雕排行榜”前,我们首先严肃认真(lixinggongshi)的进行一波分析,主要看一下问题中的关键词,首先是所有词云的词云:
看来这些问题大多是源自于大家对于人生的探索,否则“为什么”,“如果”,“怎么办”也不会出现那么多,出人意料的是“体验”这个知乎专属tag居然并不多,可能是出于对知乎的尊重,和“体验”相关的问题都不会问得那么“沙雕”。
下面把这些助词去掉,再来看下结果:
这个图看来,读者关注的问题还是很极端,一方面在关注男女朋友“你冷酷、你无情、你无理取闹”这种问题,另一方面却在关注宇宙、地球这种关乎全人类的问题,很符合知乎“人均985,各个过百万”的人设。
这两个图实际上都是基于一个表情,不知道有没有看出来:
好吧,其实看不出来才是正常,能看出来的可能现在去知乎提个问题,下期就会上榜,最后把部分问题做出词云:
不知道大家能不能看清,说实话我自己是看不清的,也没准备让大家看清,目的就是引出下面真正的排行榜
通过综合问题观看数,关注数,回答数,关注占比,回答占比,综合得到分数的流量指数和新奇指数,最终获得一个整体的分数,如下图所示:
听起来是不是很复杂,实际上最终还是通过90%10%的数据+10%90%的主观来进行了排名,为大家精选了15个最为“沙雕”的问题,
最后
🍅 硬核资料:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
🍅 面试题库:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
🍅 知识体系:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!