我去扒了杜蕾斯的微博

2019独角兽企业重金招聘Python工程师标准>>>

本篇来自编程教室学员

如果你一个微博控，一定领教过杜蕾斯官方微博的各种营销套路。那简直就是就是微博上的一股泥石流，让多少人一边大呼“太污了”，一边手又很老实地点了转发。

作为互联网行业的菜鸟，我对杜蕾斯的文案实在佩服得五体投地，每次发微都能有不错的转发量。恰好最近在编程教室里学习爬虫，就想着能不能爬一下转发的用户，然后分析一下“老司机”们的信息，看看平常都是谁在为段子手杜杜添砖加瓦。

经过不懈的努力，加上 Crossin 先生的指点，我扒下了杜蕾斯 2016 发的转发量较大的 800+ 条微博，得到 60000+ 用户信息。由于是娱乐+练手，且受限于时间、技术，并没能完完整整地获得所有微博以及所有转发用户，所以大家也抱着娱乐的心态来看就行了[捂脸]。

由于微博用户的信息不是每项都必填，所以最后的结果跟总的用户数会有一些差别，特此提醒。

先说结论

首先是“老司机”们的性别分布。当然不说你们也应该清楚，男同胞比女同胞是要多那么一些些。毕竟女性同胞们是要更加矜持和含蓄滴[害羞脸]。不过也仅仅只相差不到 15 个百分点，着实让我意外。看来历史的车轮滚滚向前，女性同胞们也逐渐上车了！！！

接下来是“老司机”们所在的地区。毫无疑问，北上广深等地区占据绝对的优势。这就是大城市，开放、包容，也印证了那就老话，城外的司机想进来，是因为城里的司机真会玩儿！

接下来就是更详细的星座排行了。恭喜天秤以微弱的优势获得冠军，总体来说各个星座分布的比较平均。如果我们说天秤、天蝎敢于转发杜蕾斯是“豪放”，那金牛就是不折不扣的“闷骚”了（说完就跑，真刺激）。

然后，我们来看看“司机”们的出生年代分布。无疑，90后已经是网络时代的主力了，承接 80 后的衣钵，俯瞰 00 后的青涩，90 后站在网络时代的浪潮巅上，一览纵山小！（不过像 Crossin 先生这种年龄成谜的，不知该给归为哪一类呢？）

最后看看“司机”们的标签，“美食”竟然占比最大，难怪古人会说“食色，性也”。这句话如此有道理，而我今天才明白，实在惭愧。另外“旅游”，“幽默”，“摄影”等外向型标签的司机占据了半壁江山。不难看出，想撩妹子，你得有钱，还得有时间，最好还能有情调，这是亘古不变的道理，在座的diao丝们都退下吧！

明天就是情人节了，各位妹子一定都有约了吧？如果约会的那位 90 后小伙儿是来自北京的天秤或者在深圳打拼的天蝎，一晚上跟你谈着大理、丽江，聊着民谣和好莱坞，那你可要少喝点哦~我也只能帮你到这儿啦！

不用谢，不客气。

 

实现过程

最后，言归正传，简单从技术上谈谈实现过程，整体来说分为五步：

1. 获取杜蕾斯 2016 年所发微博的 ID

2. 根据微博 ID 获取转发的用户 ID

3. 通过用户 ID 获得该用户的信息

4. 整合归纳信息

5. 导入 ECharts 展示

所涉及到的技术模块包括：requests、BeautifulSoup4、json、正则表达式、jieba 分词、ECharts 等。

在实现过程中遇到的主要问题是微博的反爬机制，轻则封号，重则封 IP。作为一个新爬手，前两万次用户信息爬取付出了血与泪的教训。之后采用多 cookie、换 IP 的机制，才使整个工作轻松起来。不过其间为了便于抓取，我可是用白花花的银子购买了微博账号和 IP 代理[捂胸口]。不说了，看在我这么努力分析的份上，各位多多点赞转发呗。如果大家有兴趣，后面我再把具体的实现细节整理出来。

当然，这个项目还很粗浅，分析的数据也有限。比如后来想到可以分析下“司机们”开车的时间段，才发现转发时间在抓取时都没有记录，于是也就懒得再重新抓一遍了……不过对我个人来说，可以算是学习 Python 三个多月以来的一个比较完整的小项目。还是要感谢 Crossin 先生的耐心指导。我争取下一个项目做得更酷炫一点[握拳]。

 

动态效果演示网页和代码我都上传好了，在公众号（Crossin的编程教室）里回复“微博”可见。

转载于:https://my.oschina.net/crossin/blog/1826304