爬取 Stackoverflow 100 万条问答并简单分析

打开 stackoverflow 主页，在 questions 页面下选择按 vote 排序，爬取前 20000 页，每页将问题数量设置为 50，共 1m 条，（实际上本来是想爬完 13m 条的，但 1m 条后面问题基本上都只有 1 个或 0 个回答，那就选取前 1m 就好吧）

实际上用数据库去重后只有 999654 条问答信息

对爬取数据进行简单分析  

votes 分析

降序排列了 votes 数，生成折线图

 

Votes折线图

2k 后的问题的 votes 数基本上就已经在 400 以下了，接着后面的就基本上是贴地飞行了

votes 数最多 : Why is it faster to process a sorted array than an unsorted array?

votes 数的连续分布情况 

 

votes甘特图

可见最多的还是集中在 1-2K 之间,从 6k 开始基本上就断层了

具体数据

 

如果以 100 为分界线的话，会得到这样的一个饼图

 

大于 100 的连 %2 都不到

再来看看底层的数据

 

可见 votes 小于 20 的，数量高达 84m

看看总体的比例吧

 

answer分析

降序排列了 answers 数，生成折线图

 

很明显 3k 之后的 answers 数基本上就小于 20 了

answers 数最多: What is the best comment in source code you have ever encountered?

answer数的连续分布情况

 

answers甘特图

150 后也就断层了，实际上能达到这样的回答数极少

具体数据

 

大于 30 的确实少的可怜，看看总体情况

 

views 分析

降序排列了 views 数，生成折线图

 

views折线图

最高达到了 4.5m，100000 以后的基本上就不足 28000 了

views 数最多: How to undo last commit(s) in Git?

views 数的连续分布情况

 

views甘特图

具体数据

 

大部分问答的 views 数还是集中在 20000 以内

还是得看看总体分布

 

再看看 votes，views，answers 三者的散点图对应情况

votes - views

 

votes - answers

 

views - answers

 

views-answers散点图

总的来说，这三者对应关系类似于一个金字塔。三个图基本上都是左下角靠近原点的区域被填满，也就是说绝对大部分的问题的 votes，answers 和 views 都是属于最下层的。高质量活跃的问题是处于金字塔顶端的。三者的最高数好像也没特别明显的对应关系，且三者的最高数都不是同一个问题。

根据所有问题的 tags 提取出总量前 200 的关键词（前 50 条如下），第 1 名是 c#，python 排在第 5

 

 

这样看好像不太直观，所以就把它根据词频生成了词云

 

因为是用 Python 写的爬虫，所以重点来分析下 Python 类的问答

votes 数前 10

6162 : What does the “yield” keyword do in Python?

3529 : What is a metaclass in Python?

3098 : How do I check whether a file exists using Python?

3035 : Does Python have a ternary conditional operator?

2620 : Calling an external command in Python

2605 : What does ifname== “main”: do?

2194 : How to merge two Python dictionaries in a single expression?

2123 : Sort a Python dictionary by value

2058 : How to make a chain of function decorators?

1984 : How to check if a directory exists and create it if necessary?

answers 数前 10

191 : Hidden features of Python [closed]

87 : Best ways to teach a beginner to program? [closed]

55 : Favorite Django Tips & Features?

50 : How do you split a list into evenly sized chunks?

44 : Calling an external command in Python

43 : How can I represent an 'Enum' in Python?

38 : How to merge two Python dictionaries in a single expressions

38 : Finding local IP addresses using Python's stdlib

37 : Reverse a string in python without using reversed or [::-1]

37 : How do I check whether a file exists using Python?

views 数前 10

2121621 : Parse String to Float or Int

1905938 : Using global variables in a function other than the one that created them

1888666 : How do I check whether a file exists using Python?

1827126 : Calling an external command in Python

1699574 : Converting integer to string in Python?

1686230 : How do I read a file line-by-line into a list?

1682307 : Iterating over dictionaries using 'for' loops in Python

1569205 : How to get the size of a list

1554755 : How do I install pip on Windows?

1515505 : Finding the index of an item given a list containing it in Python

三者的前 10 中有 2 个问题是完全重叠的，分别是

How do I check whether a file exists using Python?

Calling an external command in Python