大神写了个程序玩玩，就抓取了400 亿条秀恩爱和吐槽（多图）

能利用爬虫技术做到哪些很酷很有趣很有用的事情？

  Emily L， Buy Side Equity Research / HFT

2011 年夏天我在 Google 实习的时候做了一些 Twitter 数据相关的开发，之后我看到了一篇关于利用 Twitter 上人的心情来预测股市的论文。实习结束后我跟几个朋友聊了聊，我就想能不能自己做一点 Twitter 的数据挖掘，当时只是想先写个爬虫玩玩，没想最后开发了两年多，抓取了一千多万用户的 400 亿条 tweet。

• 分析篇

先给大家看一些分析结果吧。大家几点睡觉呢? 我们来统计一下 sleep 这个词在 Twitter 上出现的频率。

看来很多人喜欢在睡前会说一声我睡了。那我们再看一个更有意思的 : “Thursday”这个词的每天出现的频率。

这里 2 月 2 号是周四，不出意料，这一天提到周四的频率最高。而且好像离周四越近这个频率越高。可是，为什么 2 月 1 号的频率反而低了呢？是因为 2 月 1 号大家不说周四而说明天了（有的人会说 2 月 2 号也可以说是今天，但是因为在 2 月 2 号提到当天的次数太高，因此还是有很多人用周四这个词）。

做了词频统计我们还可以做一些语义分析。我们可以利用 unsupervised learning 来分析一条 tweet 的感情色彩。我们对每一条 tweet 的高兴程度在 0 至 1 之间打分，并对每天做平均值，就得到了下面这张图。这里最明显的特征恐怕就是周期性了。是的，大家普遍周末比较高兴。不过这张图的开始和中间有两个点与周期不吻合。如果我告诉你这两天是 1 月 1 日和 2 月 14 日，那你肯定会想到为什么了，元旦和情人节很多人是很高兴的（不排除 slient majority 存在的可能）。

这很有意思，但似乎没什么用啊。那我们来看下面这张图，还是 2012 年的情感分析，不过这里对用户进行了过滤，只保留了来自投资人和交易员的 tweet （根据用户的 tweet 我们可以估计他 / 她的职业）。蓝线是这些用户的感情色彩，红线是 S&P 500 指数。看来行情好的时候大家都高兴啊。

最后我们再来看两个统计图吧。2012 年是美国大选年，这里统计了在所有和奥巴马相关的 tweet 里跟提到经济的 tweet 占的比例。红线是这个比例，黑线是 S&P 500

貌似和美国经济有负相关性啊！为什么呢，我们看下面的图就明白了。这个比例和美国失业率正相关，而经济和失业率又是负相关的。换句话说，美国人（尤其是共和党的）找不到工作了就开始埋怨奥巴马了。

除了上面的分析外我做了很多其他的研究，比如如何判断一个用户的职业，验证六度分隔理论, 以及网络扩张速度的建模，不过这里就先不赘述了。

最后要说的是以上的分析在统计上都是不严谨的，Twitter 上的信息杂音非常大，又有很强的 demographic bias，有很多因素都没有考虑。我们只能希望大数定律能过弥补一些误差。写在这里只是抛砖引玉，给大家看一下爬虫可以做什么。大家感兴趣的话之后我可以补充一下这两个话题：

1. 怎样判断一条 tweet 的感情色彩
2. 怎样估计一个 Twitter 用户的职业

• 技术篇

当时 Twitter 用户大概已经有上亿了，每天新的 tweet 也有几千万甚至上亿。能不能把这些数据全部抓取下来呢？这是可能的。Twitter 是有 API 的，不过每个 IP 地址每小时可以抓取 150 个用户最近的 tweet，以这个速度要把几亿个用户抓取一遍需要近一百年。但是，大部分 Twitter 用户是不活跃甚至从来不发 tweet 的，还有很多用户是印尼等国家（不是他们不重要，我真的看不懂他们发的 tweet），如果我们把不说英语，不发 tweet 以及 follow 人数不超过 5 个（好像注册 Twitter 后用户会被要求 follow 5 个人）的用户过滤掉，我们就剩下了大约 10,000,000 个用户，十年就可以搞定了。

十年好像还是太长了……不过 twitter 的访问限制是基于 IP 地址的，只要我从多个 IP 访问 Twitter 不久好了（我真的没有 DDOS twitter 的意思啊）。那么下一步就是搜集大量代理服务器来访问 Twitter api。为了做 twitter 的爬虫我专门做了一个爬虫去搜集免费代理服务器。免费的东西总是有代价的，这些服务器非常不稳定。因此我又建立了一套代理服务器管理系统，定期更新 IP 地址，删除不能用的服务器。最后这套系统平均每天有几百个可用的服务器，大约半个月就可以把一千万个用户抓取一遍了。

此外我又做了一些动态优化，根据 Twitter 用户的 follower 数量决定他们的抓取频率，以提高重要用户 tweet 的实时性。

在一年半的时间里，这套系统一共抓取了 400 亿条 tweet，加起来得有 10TB，估计占来自美国 tweet 数量的一半左右。那么问题来了，怎么存贮这些 tweet 呢？如果要做分析的话恐怕把数据读一遍就要好几天了。很多人马上会说 hadoop, cassandra, spark 等等。不过作为一个穷学生我哪里有钱去做一个 cluster 呢？这些数据存在 AWS 上就得每月 1000 刀了。

自己动手，丰衣足食。解决方案就是自己组装一个服务器，买了 8 块 3T 硬盘做了一个 12TB 的磁盘矩阵放在寝室里。

软件使用了最为传统的 MySQL，这是一个存了 400 亿条数据的 MySQL 数据库。我花了大量时间去做优化，尝试了各种各样的 partition, ordering, indexing。最后可以实现一天之内对 100-200 亿条数据进行线型搜索或过滤，或者几秒钟内调取某一天的或某一条 tweet。

这台服务器现在留在了 MIT，毕业后我把它提供给了一位教授做研究。