ProHoster > Блог > internet vijesti > Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Hej Habr.

В prethodni dio Promet Habra analiziran je prema glavnim parametrima - broju članaka, njihovim pregledima i ocjenama. Međutim, pitanje popularnosti sekcija sajta ostalo je neispitano. Postalo je zanimljivo pogledati ovo detaljnije i pronaći najpopularnije i najnepopularnije čvorišta. Konačno, detaljnije ću pogledati geektimes efekat, završavajući s novim izborom najboljih članaka na osnovu novih rangiranja.

Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Za one koje zanima šta se dogodilo, nastavak je ispod reza.

Još jednom da podsjetim da statistika i ocjene nisu zvanične, nemam insajderske informacije. Takođe nije garantovano da nisam negde pogrešio ili nešto propustio. Ali ipak, mislim da je ispalo zanimljivo. Prvo ćemo početi s kodom, a oni koje to ne zanima mogu preskočiti prve dijelove.

Prikupljanje podataka

U prvoj verziji parsera uzet je u obzir samo broj pregleda, komentara i ocjena članka. Ovo je već dobro, ali vam ne dozvoljava da pravite složenije upite. Vrijeme je da analizirate tematske dijelove stranice; to će vam omogućiti da napravite prilično zanimljivo istraživanje, na primjer, vidite kako se popularnost odjeljka "C++" promijenila tokom nekoliko godina.

Parser članka je poboljšan, sada vraća čvorišta kojima članak pripada, kao i nadimak autora i njegovu ocjenu (i ovdje se može puno zanimljivih stvari uraditi, ali to će doći kasnije). Podaci se spremaju u csv datoteku koja izgleda otprilike ovako:

2018-12-18T12:43Z,https://habr.com/ru/post/433550/,"Мессенджер Slack — причины выбора, косяки при внедрении и особенности сервиса, облегчающие жизнь",votes:7,votesplus:8,votesmin:1,bookmarks:32,
views:8300,comments:10,user:ReDisque,karma:5,subscribers:2,hubs:productpm+soft
...

Primit ćemo listu glavnih tematskih čvorišta stranice.

def get_as_str(link: str) -> Str:
    try:
        r = requests.get(link)
        return Str(r.text)
    except Exception as e:
        return Str("")

def get_hubs():
    hubs = []
    for p in range(1, 12):
        page_html = get_as_str("https://habr.com/ru/hubs/page%d/" % p)
        # page_html = get_as_str("https://habr.com/ru/hubs/geektimes/page%d/" % p)  # Geektimes
        # page_html = get_as_str("https://habr.com/ru/hubs/develop/page%d/" % p)  # Develop
        # page_html = get_as_str("https://habr.com/ru/hubs/admin/page%d" % p)  # Admin
        for hub in page_html.split("media-obj media-obj_hub"):
            info = Str(hub).find_between('"https://habr.com/ru/hub', 'list-snippet__tags') 
            if "*</span>" in info:
                hub_name = info.find_between('/', '/"')
                if len(hub_name) > 0 and len(hub_name) < 32:
                    hubs.append(hub_name)
    print(hubs)

Funkcija find_between i klasa Str odabiru niz između dvije oznake, ja sam ih koristio ranije. Tematska čvorišta su označena sa "*" tako da se mogu lako istaknuti, a možete i dekomentirati odgovarajuće linije da biste dobili odjeljke drugih kategorija.

Izlaz funkcije get_hubs je prilično impresivna lista, koju čuvamo kao rečnik. Listu posebno predstavljam u cijelosti kako biste mogli procijeniti njen obim. 

hubs_profile = {'infosecurity', 'programming', 'webdev', 'python', 'sys_admin', 'it-infrastructure', 'devops', 'javascript', 'open_source', 'network_technologies', 'gamedev', 'cpp', 'machine_learning', 'pm', 'hr_management', 'linux', 'analysis_design', 'ui', 'net', 'hi', 'maths', 'mobile_dev', 'productpm', 'win_dev', 'it_testing', 'dev_management', 'algorithms', 'go', 'php', 'csharp', 'nix', 'data_visualization', 'web_testing', 's_admin', 'crazydev', 'data_mining', 'bigdata', 'c', 'java', 'usability', 'instant_messaging', 'gtd', 'system_programming', 'ios_dev', 'oop', 'nginx', 'kubernetes', 'sql', '3d_graphics', 'css', 'geo', 'image_processing', 'controllers', 'game_design', 'html5', 'community_management', 'electronics', 'android_dev', 'crypto', 'netdev', 'cisconetworks', 'db_admins', 'funcprog', 'wireless', 'dwh', 'linux_dev', 'assembler', 'reactjs', 'sales', 'microservices', 'search_technologies', 'compilers', 'virtualization', 'client_side_optimization', 'distributed_systems', 'api', 'media_management', 'complete_code', 'typescript', 'postgresql', 'rust', 'agile', 'refactoring', 'parallel_programming', 'mssql', 'game_promotion', 'robo_dev', 'reverse-engineering', 'web_analytics', 'unity', 'symfony', 'build_automation', 'swift', 'raspberrypi', 'web_design', 'kotlin', 'debug', 'pay_system', 'apps_design', 'git', 'shells', 'laravel', 'mobile_testing', 'openstreetmap', 'lua', 'vs', 'yii', 'sport_programming', 'service_desk', 'itstandarts', 'nodejs', 'data_warehouse', 'ctf', 'erp', 'video', 'mobileanalytics', 'ipv6', 'virus', 'crm', 'backup', 'mesh_networking', 'cad_cam', 'patents', 'cloud_computing', 'growthhacking', 'iot_dev', 'server_side_optimization', 'latex', 'natural_language_processing', 'scala', 'unreal_engine', 'mongodb', 'delphi',  'industrial_control_system', 'r', 'fpga', 'oracle', 'arduino', 'magento', 'ruby', 'nosql', 'flutter', 'xml', 'apache', 'sveltejs', 'devmail', 'ecommerce_development', 'opendata', 'Hadoop', 'yandex_api', 'game_monetization', 'ror', 'graph_design', 'scada', 'mobile_monetization', 'sqlite', 'accessibility', 'saas', 'helpdesk', 'matlab', 'julia', 'aws', 'data_recovery', 'erlang', 'angular', 'osx_dev', 'dns', 'dart', 'vector_graphics', 'asp', 'domains', 'cvs', 'asterisk', 'iis', 'it_monetization', 'localization', 'objectivec', 'IPFS', 'jquery', 'lisp', 'arvrdev', 'powershell', 'd', 'conversion', 'animation', 'webgl', 'wordpress', 'elm', 'qt_software', 'google_api', 'groovy_grails', 'Sailfish_dev', 'Atlassian', 'desktop_environment', 'game_testing', 'mysql', 'ecm', 'cms', 'Xamarin', 'haskell', 'prototyping', 'sw', 'django', 'gradle', 'billing', 'tdd', 'openshift', 'canvas', 'map_api', 'vuejs', 'data_compression', 'tizen_dev', 'iptv', 'mono', 'labview', 'perl', 'AJAX', 'ms_access', 'gpgpu', 'infolust', 'microformats', 'facebook_api', 'vba', 'twitter_api', 'twisted', 'phalcon', 'joomla', 'action_script', 'flex', 'gtk', 'meteorjs', 'iconoskaz', 'cobol', 'cocoa', 'fortran', 'uml', 'codeigniter', 'prolog', 'mercurial', 'drupal', 'wp_dev', 'smallbasic', 'webassembly', 'cubrid', 'fido', 'bada_dev', 'cgi', 'extjs', 'zend_framework', 'typography', 'UEFI', 'geo_systems', 'vim', 'creative_commons', 'modx', 'derbyjs', 'xcode', 'greasemonkey', 'i2p', 'flash_platform', 'coffeescript', 'fsharp', 'clojure', 'puppet', 'forth', 'processing_lang', 'firebird', 'javame_dev', 'cakephp', 'google_cloud_vision_api', 'kohanaphp', 'elixirphoenix', 'eclipse', 'xslt', 'smalltalk', 'googlecloud', 'gae', 'mootools', 'emacs', 'flask', 'gwt', 'web_monetization', 'circuit-design', 'office365dev', 'haxe', 'doctrine', 'typo3', 'regex', 'solidity', 'brainfuck', 'sphinx', 'san', 'vk_api', 'ecommerce'}

Poređenja radi, odjeljci geektimes izgledaju skromnije:

hubs_gt = {'popular_science', 'history', 'soft', 'lifehacks', 'health', 'finance', 'artificial_intelligence', 'itcompanies', 'DIY', 'energy', 'transport', 'gadgets', 'social_networks', 'space', 'futurenow', 'it_bigraphy', 'antikvariat', 'games', 'hardware', 'learning_languages', 'urban', 'brain', 'internet_of_things', 'easyelectronics', 'cellular', 'physics', 'cryptocurrency', 'interviews', 'biotech', 'network_hardware', 'autogadgets', 'lasers', 'sound', 'home_automation', 'smartphones', 'statistics', 'robot', 'cpu', 'video_tech', 'Ecology', 'presentation', 'desktops', 'wearable_electronics', 'quantum', 'notebooks', 'cyberpunk', 'Peripheral', 'demoscene', 'copyright', 'astronomy', 'arvr', 'medgadgets', '3d-printers', 'Chemistry', 'storages', 'sci-fi', 'logic_games', 'office', 'tablets', 'displays', 'video_conferencing', 'videocards', 'photo', 'multicopters', 'supercomputers', 'telemedicine', 'cybersport', 'nano', 'crowdsourcing', 'infographics'}

Preostala čvorišta su sačuvana na isti način. Sada je lako napisati funkciju koja vraća rezultat bez obzira da li članak pripada geektimes ili čvorištu profila.

def is_geektimes(hubs: List) -> bool:
    return len(set(hubs) & hubs_gt) > 0

def is_geektimes_only(hubs: List) -> bool:
    return is_geektimes(hubs) is True and is_profile(hubs) is False

def is_profile(hubs: List) -> bool:
    return len(set(hubs) & hubs_profile) > 0

Slične funkcije su napravljene i za druge sekcije („razvoj“, „administracija“ itd.).

Obrada

Vrijeme je da počnete sa analizom. Učitavamo skup podataka i obrađujemo podatke čvorišta.

def to_list(s: str) -> List[str]:
    # "user:popular_science+astronomy" => [popular_science, astronomy]
    return s.split(':')[1].split('+')

def to_date(dt: datetime) -> datetime.date:
    return dt.date()

df = pd.read_csv("habr_2019.csv", sep=',', encoding='utf-8', error_bad_lines=True, quotechar='"', comment='#')
dates = pd.to_datetime(df['datetime'], format='%Y-%m-%dT%H:%MZ')
dates += datetime.timedelta(hours=3)
df['date'] = dates.map(to_date, na_action=None)
hubs = df["hubs"].map(to_list, na_action=None)
df['hubs'] = hubs
df['is_profile'] = hubs.map(is_profile, na_action=None)
df['is_geektimes'] = hubs.map(is_geektimes, na_action=None)
df['is_geektimes_only'] = hubs.map(is_geektimes_only, na_action=None)
df['is_admin'] = hubs.map(is_admin, na_action=None)
df['is_develop'] = hubs.map(is_develop, na_action=None)

Sada možemo grupirati podatke po danima i prikazati broj publikacija za različita čvorišta.

g = df.groupby(['date'])
days_count = g.size().reset_index(name='counts')
year_days = days_count['date'].values
grouped = g.sum().reset_index()
profile_per_day_avg = grouped['is_profile'].rolling(window=20, min_periods=1).mean()
geektimes_per_day_avg = grouped['is_geektimes'].rolling(window=20, min_periods=1).mean()
geektimesonly_per_day_avg = grouped['is_geektimes_only'].rolling(window=20, min_periods=1).mean()
admin_per_day_avg = grouped['is_admin'].rolling(window=20, min_periods=1).mean()
develop_per_day_avg = grouped['is_develop'].rolling(window=20, min_periods=1).mean()

Prikazujemo broj objavljenih članaka koristeći Matplotlib:

Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Podijelio sam članke “geektimes” i “geektimes only” u grafikonu, jer Članak može istovremeno pripadati oba odjeljka (na primjer, “uradi sam” + “mikrokontroleri” + “C++”). Koristio sam oznaku „profil“ da bih istakao članke profila na sajtu, iako engleski izraz profil za ovo možda nije sasvim tačan.

U prethodnom dijelu smo pitali o “geektimes efektu” koji je povezan s promjenom pravila plaćanja za članke za geektimes od ovog ljeta. Prikažimo geektimes članke zasebno:

df_gt = df[(df['is_geektimes_only'] == True)]
group_gt = df_gt.groupby(['date'])
days_count_gt = group_gt.size().reset_index(name='counts')
grouped = group_gt.sum().reset_index()
year_days_gt = days_count_gt['date'].values
view_gt_per_day_avg = grouped['views'].rolling(window=20, min_periods=1).mean()

Rezultat je zanimljiv. Približan omjer pregleda geektimes članaka prema ukupnom je negdje oko 1:5. No, dok je ukupan broj pregleda osjetno oscilirao, gledanost „zabavnih“ članaka ostala je na približno istom nivou.

Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Također možete primijetiti da je ukupan broj pregleda članaka u odjeljku “geektimes” i dalje pao nakon promjene pravila, ali “na oko”, ne više od 5% od ukupnih vrijednosti.

Zanimljivo je pogledati prosječan broj pregleda po članku:

Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Za “zabavne” članke to je oko 40% iznad prosjeka. Ovo vjerovatno nije iznenađujuće. Nejasan mi je neuspjeh početkom aprila, možda se to i dogodilo, ili je u pitanju neka greška u raščlanjivanju, ili je možda neko od geektimes autora otišao na odmor ;).

Inače, na grafikonu su vidljiva još dva uočljiva vrhunca u broju pregleda članaka - novogodišnji i majski praznici.

Čvorišta

Pređimo na obećanu analizu čvorišta. Hajde da navedemo 20 najboljih centara po broju pregleda:

hubs_info = []
for hub_name in hubs_all:
    mask = df['hubs'].apply(lambda x: hub_name in x)
    df_hub = df[mask]

    count, views = df_hub.shape[0], df_hub['views'].sum()
    hubs_info.append((hub_name, count, views))

# Draw hubs
hubs_top = sorted(hubs_info, key=lambda v: v[2], reverse=True)[:20]
top_views = list(map(lambda x: x[2], hubs_top))
top_names = list(map(lambda x: x[0], hubs_top))

plt.rcParams["figure.figsize"] = (8, 6)
plt.bar(range(0, len(top_views)), top_views)
plt.xticks(range(0, len(top_names)), top_names, rotation=90)
plt.ticklabel_format(style='plain', axis='y')
plt.tight_layout()
plt.show()

Rezultat:

Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Iznenađujuće, najpopularnije središte u pogledu pregleda bila je „Informaciona bezbednost“, a među 5 vodećih su takođe „Programiranje“ i „Popularna nauka“.

Antitop zauzima Gtk i Kakao.

Habrastatistika: istraživanje najposjećenijih i najmanje posjećenih dijelova stranice

Odaću vam tajnu, mogu se vidjeti i vrhunska čvorišta ovdje, iako broj pregleda tu nije prikazan.

Ocena

I na kraju, obećani rejting. Koristeći podatke analize hub-a, možemo prikazati najpopularnije članke za najpopularnije hubove za ovu 2019. godinu.

Sigurnost informacija

Programiranje

Popular Science

Karijera

Zakonodavstvo u IT

Web development

GTK

I na kraju, da se niko ne uvrijedi, daću ocjenu najmanje posjećenog čvorišta “gtk”. U roku od godinu dana objavljena je одна Članak, koji takođe "automatski" zauzima prvi red rejtinga.

zaključak

Neće biti zaključka. Sretno čitanje svima.

izvor: www.habr.com

Dodajte komentar