你好,哈布尔。
В
对于那些对发生的事情感兴趣的人来说,续集已被削减。
让我再次提醒您,统计数据和评级不是官方的,我没有任何内幕消息。 也不能保证我没有在某个地方犯错误或遗漏什么。 但我仍然认为这很有趣。 我们首先从代码开始;对此不感兴趣的人可以跳过第一部分。
数据收集
在解析器的第一个版本中,仅考虑视图、评论和文章评分的数量。 这已经很好了,但是它不允许您进行更复杂的查询。 是时候分析网站的主题部分了;这将使您能够进行非常有趣的研究,例如,了解“C++”部分的受欢迎程度在过去几年中发生了怎样的变化。
文章解析器得到了改进,现在它返回文章所属的中心,以及作者的昵称和他的评分(这里也可以做很多有趣的事情,但这将在稍后进行)。 数据保存在 csv 文件中,如下所示:
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
...
我们将收到该网站主要主题中心的列表。
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)
find_ Between 函数和 Str 类选择两个标签之间的字符串,我使用了它们
get_hubs 函数的输出是一个相当令人印象深刻的列表,我们将其保存为字典。 我专门完整地展示了该列表,以便您可以估计其数量。
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'}
相比之下,极客时代部分看起来更朴素:
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'}
其余的枢纽也以同样的方式保存。 现在很容易编写一个函数来返回结果,无论该文章属于 geektimes 还是个人资料中心。
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
其他部分(“开发”、“管理”等)也有类似的功能。
处理
是时候开始分析了。 我们加载数据集并处理中心数据。
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)
现在我们可以按天对数据进行分组,并显示不同中心的出版物数量。
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()
我们使用 Matplotlib 显示已发表文章的数量:
我在图表中将文章“geektimes”和“geektimes only”分开,因为一篇文章可以同时属于两个部分(例如,“DIY”+“微控制器”+“C++”)。 我使用“个人资料”这个名称来突出显示网站上的个人资料文章,尽管英语术语“个人资料”可能并不完全正确。
在上一部分中,我们询问了与今年夏天开始的极客时代文章付费规则变化相关的“极客时代效应”。 我们分别展示一下极客时代的文章:
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()
结果很有趣。 极客时代文章的浏览量与总浏览量的比例大约在 1:5 左右。 不过,虽然总浏览量波动较大,但“娱乐”类文章的浏览量基本保持在同一水平。
您还可以注意到,“极客时代”版块的文章总浏览量在更改规则后仍然有所下降,但“肉眼可见”,下降幅度不超过总值的 5%。
查看每篇文章的平均浏览量很有趣:
对于“娱乐”文章,该比例比平均水平高出 40% 左右。 这可能并不奇怪。 四月初的失败对我来说并不清楚,也许这就是发生的事情,或者是某种解析错误,或者可能是极客时代的一位作者去度假了;)。
顺便说一句,该图显示了文章浏览量的两个更明显的峰值——元旦和五一假期。
集线器
让我们继续进行承诺的集线器分析。 让我们按观看次数列出前 20 个中心:
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()
结果:
令人惊讶的是,最受欢迎的主题是“信息安全”;排名前五的还包括“编程”和“科普”。
Antitop占据了Gtk和Cocoa。
告诉你一个秘密,顶级轮毂也能看到
等级
最后是承诺的评级。 使用中心分析数据,我们可以显示 2019 年最受欢迎的中心的最受欢迎文章。
信息安全
我如何一年没有在储蓄银行工作 304000 次浏览,599 条评论,评分 +457.0/-14.0废弃的智能灯泡是个人信息的宝贵来源 232000 次浏览,147 条评论,评分 +75.0/-11.0欺诈者和数字签名——一切都非常糟糕 176000 次浏览,778 条评论,评分 +356.0/-0.0Megafon 是如何在移动订阅上耗尽精力的 166000 次浏览,676 条评论,评分 +624.0/-2.0破解VK,双因素认证不会保存 148000 次浏览,332 条评论,评分 +124.0/-17.0浏览器如何帮助专业同志 132000 次浏览,321 条评论,评分 +246.0/-19.0历史上最大的转储:2,7 亿个账户,其中 773 亿个是唯一账户 123000 次浏览,154 条评论,评分 +86.0/-5.0亲爱的,我们正在扼杀互联网 121000 次浏览,933 条评论,评分 +392.0/-83.0“移动内容”是免费的,无需短信或注册。 Megafon 的欺诈细节 114000 次浏览,478 条评论,评分 +488.0/-8.0Rostelecom 个人帐户中的端口扫描器 111000 次浏览,194 条评论,评分 +300.0/-8.0
编程
关于一个人 167000 次浏览,249 条评论,评分 +239.0/-33.0你越早忘记 OOP,对你和你的程序就越好 129000 次浏览,1271 条评论,评分 +131.0/-63.0为什么高级开发人员找不到工作 119000 次浏览,901 条评论,评分 +151.0/-14.0这里不适合老人住吗? 三十五岁以后编程 116000 次浏览,649 条评论,评分 +222.0/-16.0新的编程语言正在悄然扼杀我们与现实的联系 106000 次浏览,764 条评论,评分 +164.0/-52.0我从惨痛的经历中学到的东西(30 多年的软件开发经验) 101000 次浏览,128 条评论,评分 +178.0/-9.0最稀有和最昂贵的编程语言 82900 次浏览,119 条评论,评分 +38.0/-10.0KPI 的 JavaScript 和 Node.js 讲座课程 80300 次浏览,14 条评论,评分 +34.0/-2.0以种植土豆过程为例的 IT 术语 78000 次浏览,86 条评论,评分 +84.0/-14.0256 行裸 C++:在几个小时内从头开始编写光线追踪器 77600 次浏览,124 条评论,评分 +241.0/-0.0
科普
设计师抽的是什么:不寻常的枪械 236000 次浏览,123 条评论,评分 +119.0/-9.0科学家发现地球上最古老的现存脊椎动物 234000 次浏览,212 条评论,评分 +82.0/-14.0电视剧《切尔诺贝利》:观看并思考 173000 次浏览,803 条评论,评分 +164.0/-25.0一名12岁的少年在他家的实验室里进行了核聚变反应。 145000 次浏览,280 条评论,评分 +126.0/-29.0合金玫瑰与堕落克伦卡的故事 134000 次浏览,244 条评论,评分 +217.0/-1.0让它变得更大! 现代分辨率增强 134000 次浏览,235 条评论,评分 +377.0/-1.0波音 737 Max 的软件是由每小时赚取 9 美元的外包商编写的。 126000 次浏览,560 条评论,评分 +153.0/-6.0不要紧张,不要着急,不要打断:一个悲剧的故事 121000 次浏览,384 条评论,评分 +242.0/-4.0数学家发现了数字相乘的完美方法 108000 次浏览,222 条评论,评分 +173.0/-10.0新的编程语言正在悄然扼杀我们与现实的联系 106000 次浏览,764 条评论,评分 +164.0/-52.0
事业
我如何一年没有在储蓄银行工作 304000 次浏览,599 条评论,评分 +457.0/-14.0我的代码审查毁了开发人员的生活,我很抱歉 187000 次浏览,21 条评论,评分 +37.0/-3.0发展之王 179000 次浏览,668 条评论,评分 +315.0/-60.0关于一个人 167000 次浏览,249 条评论,评分 +239.0/-33.022岁退休 158000 次浏览,927 条评论,评分 +259.0/-100.0如何在工作场所更换灯泡而不被解雇? 139000 次浏览,762 条评论,评分 +200.0/-20.0俄语创新 128000 次浏览,612 条评论,评分 +480.0/-33.0为什么高级开发人员找不到工作 119000 次浏览,901 条评论,评分 +151.0/-14.0“被烧死”的员工:有出路吗? 117000 次浏览,398 条评论,评分 +210.0/-14.0这里不适合老人住吗? 三十五岁以后编程 116000 次浏览,649 条评论,评分 +222.0/-16.0
信息技术立法
欺诈者和数字签名——一切都非常糟糕 176000 次浏览,778 条评论,评分 +356.0/-0.0Megafon 是如何在移动订阅上耗尽精力的 166000 次浏览,676 条评论,评分 +624.0/-2.0俄语创新 128000 次浏览,612 条评论,评分 +480.0/-33.0“移动内容”是免费的,无需短信或注册。 Megafon 的欺诈细节 114000 次浏览,478 条评论,评分 +488.0/-8.0哈萨克斯坦当局如何试图掩盖其未能执行证书的事实 111000 次浏览,77 条评论,评分 +122.0/-14.0Protonmail 在俄罗斯是如何被屏蔽的 102000 次浏览,398 条评论,评分 +418.0/-7.0国家杜马三读通过《符文隔离法》 88200 次浏览,878 条评论,评分 +73.0/-18.0程序员如何选择银行并阅读合同 87200 次浏览,611 条评论,评分 +166.0/-9.0电信和大众传播部批准了隔离RuNet的法案 83600 次浏览,364 条评论,评分 +79.0/-9.0对评论的详细回应,以及有关俄罗斯联邦提供者生活的一些信息 74700 次浏览,389 条评论,评分 +290.0/-1.0
Web开发
这里不适合老人住吗? 三十五岁以后编程 116000 次浏览,649 条评论,评分 +222.0/-16.02019年如何做网站 110000 次浏览,278 条评论,评分 +233.0/-11.0学习 Docker 第 1 部分:基础知识 91300 次浏览,24 条评论,评分 +52.0/-10.0KPI 的 JavaScript 和 Node.js 讲座课程 80300 次浏览,14 条评论,评分 +34.0/-2.0实习生 Vasya 和他关于 API 幂等性的故事 68900 次浏览,160 条评论,评分 +216.0/-3.0对连接的理解被破坏了。 老实说,这绝对不是圆的交集 65900 次浏览,223 条评论,评分 +138.0/-41.0为什么你不应该浪费时间创建利基主题网站 62700 次浏览,243 条评论,评分 +179.0/-13.0从头开始制作现代 Web 应用程序 62200 次浏览,122 条评论,评分 +56.0/-8.0Vue.js 的黑暗日子 60800 次浏览,133 条评论,评分 +77.0/-6.0为什么现代 Web 开发如此复杂? 第1部分 57700 次浏览,319 条评论,评分 +101.0/-6.0
GTK
最后,为了不冒犯任何人,我将给出访问量最少的中心“gtk”的评级。 一年之内就出版了 一 这篇文章也“自动”占据了评分的第一行。
使用 Gtk 应用程序。 librsvg 渲染功能 1700 次浏览,9 条评论,评分 +9.0/-1.0
结论
不会有任何结论。 大家阅读愉快。
来源: habr.com