写文章不会起标题？爬取虎嗅5万篇文章告诉你
摘要： 不少时候，一篇文章能否得到广泛的传播，除了文章本身实打实的质量以外，一个好的标题也至关重要。本文爬取了虎嗅网建站至今共 5 万条新闻标题内容，助你找到起文章标题的技巧与灵感。同时，分享一些值得关注的文章和作者。
写在前面：由于文中有一些超链接，无法在公众号打开，建议点击底部「阅读原文」或者复制下面的博客链接到浏览器打开，体验更好。
https://www.makcyun.top/
1. 分析背景
1.1. 为什么选择「虎嗅」
在众多新媒体网站中，「虎嗅」网的文章内容和质量还算不错。在「新榜」科技类公众号排名中，它位居榜单第 3 名，还是比较受欢迎的。所以选择爬取该网站的文章信息，顺便从中了解一下这几年科技互联网都出现了哪些热点信息。
「关于虎嗅」
虎嗅网创办于 2012 年 5 月，是一个聚合优质创新信息与人群的新媒体平台。该平台专注于贡献原创、深度、犀利优质的商业资讯，围绕创新创业的观点进行剖析与交流。虎嗅网的核心，是关注互联网及传统产业的融合、明星公司的起落轨迹、产业潮汐的动力与趋势。
1.2. 分析内容
分析虎嗅网 5 万篇文章的基本情况，包括收藏数、评论数等
发掘最受欢迎和最不受欢迎的文章及作者
分析文章标题形式（长度、句式）与受欢迎程度之间的关系
展现近些年科技互联网行业的热门词汇
1.3. 分析工具
Python 3.6
pyspider
MongoDB
Matplotlib
WordCloud
Jieba
2. 数据抓取
使用 pyspider 抓取了虎嗅网的主页文章，文章抓取时期为 2012 年建站至 2018 年 11 月 1 日，共计约 5 万篇文章。抓取 了 7 个字段信息：文章标题、作者、发文时间、评论数、收藏数、摘要和文章链接。
2.1. 目标网站分析
这是要爬取的 网页界面，可以看到是通过 AJAX 加载的。
右键打开开发者工具查看翻页规律，可以看到 URL 请求是 POST 类型，下拉到底部查看 Form Data，表单需提交参数只有 3 项。经尝试， 只提交 page 参数就能成功获取页面的信息，其他两项参数无关紧要，所以构造分页爬取非常简单。
1huxiu_hash_code: 39bcd9c3fe9bc69a6b682343ee3f024a
2page: 4
3last_dateline: 1541123160
接着，切换选项卡到 Preview 和 Response 查看网页内容，可以看到数据都位于 data 字段里。total_page 为 2004，表示一共有 2004 页的文章内容，每一页有 25 篇文章，总共约 5 万篇，也就是我们要爬取的数量。
以上，我们就找到了所需内容，接下来可以开始构造爬虫，整个爬取思路比较简单。之前我们也练习过这一类 Ajax 文章的爬取，可以参考：
2.2. pyspider 介绍
和之前文章不同的是，这里我们使用一种新的工具来进行爬取，叫做：pyspider 框架。由国人 binux 大神开发，GitHub Star 数超过 12 K，足以证明它的知名度。可以说，学习爬虫不能不会使用这个框架。
网上关于这个框架的介绍和实操案例非常多，这里仅简单介绍一下。
我们之前的爬虫都是在 Sublime 、PyCharm 这种 IDE 窗口中执行的，整个爬取过程可以说是处在黑箱中，内部运行的些细节并不太清楚。而 pyspider 一大亮点就在于提供了一个可视化的 WebUI 界面，能够清楚地查看爬虫的运行情况。
pyspider 的架构主要分为 Scheduler(调度器)、Fetcher(抓取器)、Processer(处理器)三个部分。Monitor(监控器)对整个爬取过程进行监控，Result Worker(结果处理器)处理最后抓取的结果。
该框架比较容易上手，网页右边是代码区，先定义类（Class）然后在里面添加爬虫的各种方法（也可以称为函数），运行的过程会在左上方显示，左下方则是输出结果的区域。
这里，分享几个不错的教程以供参考：
官方主页：http://docs.pyspider.org/en/latest/
pyspider 爬虫原理剖析：http://python.jobbole.com/81109/
pyspider 爬淘宝图案例实操：https://cuiqingcai.com/2652.html
安装好该框架并大概了解用法后，下面我们可以就开始爬取了。
2.3. 抓取数据
CMD 命令窗口执行：pyspider all 命令，然后浏览器输入：http://localhost:5000/ 就可以启动 pyspider 。
点击 Create 新建一个项目，Project Name 命名为：huxiu，因为要爬取的 URL 是 POST 类型，所以这里可以先不填写，之后可以在代码中添加，再次点击 Creat 便完成了该项目的新建。
新项目建立好后会自动生成一部分模板代码，我们只需在此基础上进行修改和完善，然后就可以运行爬虫项目了。现在，简单梳理下代码编写步骤。
1from pyspider.libs.base_handler import *
2class Handler(BaseHandler):
3 crawl_config:{
4 "headers":{
5 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
6 'X-Requested-With': 'XMLHttpRequest'
7 }
8 }
9 def on_start(self):
10 for page in range(2,3): # 先循环1页
11 print('正在爬取第 %s 页' % page)
12 self.crawl('https://www.huxiu.com/v2_action/article_list',method='POST',data={'page':page}, callback=self.index_page)
这里，首先定义了一个 Handler 主类，整个爬虫项目都主要在该类下完成。 接着，可以将爬虫基本的一些基本配置，比如 Headers、代理等设置写在下面的 crawl_config 属性中。
如果你还没有习惯从函数（def）转换到类（Class）的代码写法，那么需要先了解一下类的相关知识，之后我也会单独用一篇文章介绍一下。
下面的 on_start() 方法是程序的入口，也就是说程序启动后会首先从这里开始运行。首先，我们将要爬取的 URL传入 crawl() 方法，同时将 URL 修改成虎嗅网的：https://www.huxiu.com/v2_action/article_list。
由于 URL 是 POST 请求，所以我们还需要增加两个参数：method 和 data。method 表示 HTTP 请求方式，默认是 GET，这里我们需要设置为 POST；data 是 POST 请求表单参数，只需要添加一个 page 参数即可。
接着，通过 callback 参数定义一个 index_page() 方法，用来解析 crawl() 方法爬取 URL 成功后返回的 Response 响应。在后面的 index_page() 方法中，可以使用 PyQuery 提取响应中的所需内容。具体提取方法如下：
1import json
2from pyquery import PyQuery as pq
3def index_page(self, response):
4 content = response.json['data']
5 # 注意，在sublime中，json后面需要添加()，pyspider 中则不用
6 doc = pq(content)
7 lis = doc('.mod-art').items()
8 data = [{
9 'title': item('.msubstr-row2').text(),
10 'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
11 'name': item('.author-name').text(),
12 'write_time':item('.time').text(),
13 'comment':item('.icon-cmt+ em').text(),
14 'favorites':item('.icon-fvr+ em').text(),
15 'abstract':item('.mob-sub').text()
16 } for item in lis ] # 列表生成式结果返回每页提取出25条字典信息构成的list
17 print(data)
18 return data
这里，网页返回的 Response 是 json 格式，待提取的信息存放在其中的 data 键值中，由一段 HTML 代码构成。我们可以使用 response.json['data'] 获取该 HTML 信息，接着使用 PyQuery 搭配 CSS 语法提取出文章标题、链接、作者等所需信息。这里使用了列表生成式，能够精简代码并且转换为方便的 list 格式，便于后续存储到 MongoDB 中。
我们输出并查看一下第 2 页的提取结果：
1# 由25个 dict 构成的 list
2[{'title': '想要长生不老？杀死体内的“僵尸细胞”吧', 'url': 'https://www.huxiu.com/article/270086.html', 'name': '造就Talk', 'write_time': '19小时前', 'comment': '4', 'favorites': '28', 'abstract': '如果有了最终疗法，也不应该是每天都需要接受治疗'},
3 {'title': '日本步入下流社会，我们还在买买买', 'url': 'https://www.huxiu.com/article/270112.html', 'name': '腾讯《大家》©', 'write_time': '20小时前', 'comment': '13', 'favorites': '142', 'abstract': '我买，故我在'}
4...
5]
可以看到，成功得到所需数据，然后就可以保存了，可以选择输出为 CSV、MySQL、MongoDB 等方式，这里我们选择保存到 MongoDB 中。
1import pandas as pd
2import pymongo
3import time
4import numpy as np
5client = pymongo.MongoClient('localhost',27017)
6db = client.Huxiu
7mongo_collection = db.huxiu_news
8
9def on_result(self,result):
10 if result:
11 self.save_to_mongo(result)
12def save_to_mongo(self,result):
13 df = pd.DataFrame(result)
14 #print(df)
15 content = json.loads(df.T.to_json()).values()
16 if mongo_collection.insert_many(content):
17 print('存储到 mongondb 成功')
18 # 随机暂停
19 sleep = np.random.randint(1,5)
20 time.sleep(sleep)
上面，定义了一个 on_result() 方法，该方法专门用来获取 return 的结果数据。这里用来接收上面 index_page() 返回的 data 数据，在该方法里再定义一个存储到 MongoDB 的方法就可以保存到 MongoDB 中。
关于数据如何存储到 MongoDB 中，我们在之前的一篇文章中有过介绍，如果忘记了可以回顾一下。
下面，我们来测试一下整个爬取和存储过程。点击左上角的 run 就可以顺利运行单个网页的抓取、解析和存储，结果如下：
上面完成了单页面的爬取，接下来，我们需要爬取全部 2000 余页内容。
需要修改两个地方，首先在 on_start() 方法中将 for 循环页数 3 改为 2002。改好以后，如果我们直接点击 run ，会发现还是只能爬取第 2 页的结果。
这是因为，pyspider 以 URL的 MD5 值作为 唯一 ID 编号，ID 编号相同的话就视为同一个任务，便不会再重复爬取。由于 GET 请求的 分页URL 通常是有差异的，所以 ID 编号会不同，也就自然能够爬取多页。但这里 POST 请求的分页 URL 是相同的，所以爬完第 2 页，后面的页数便不会再爬取。
那有没有解决办法呢？ 当然是有的，我们需要重新写下 ID 编号的生成方式，方法很简单，在 on_start() 方法前面添加下面 2 行代码即可：
1def get_taskid(self,task):
2 return md5string(task['url']+json.dumps(task['fetch'].get('data','')))
这样，我们再点击 run 就能够顺利爬取 2000 页的结果了，我这里一共抓取了 49,996 条结果，耗时 2 小时左右完成。
以上，就完成了数据的获取。有了数据我们就可以着手分析，不过这之前还需简单地进行一下数据的清洗、处理。
3. 数据清洗处理
首先，我们需要从 MongoDB 中读取数据，并转换为 DataFrame。
1client = pymongo.MongoClient(host='localhost', port=27017)
2db = client['Huxiu']
3collection = db['huxiu_news']
4# 将数据库数据转为DataFrame
5data = pd.DataFrame(list(collection.find()))
下面我们看一下数据的总体情况，可以看到数据的维度是 49996 行 × 8 列。发现多了一列无用的 _id 需删除，同时 name 列有一些特殊符号，比如© 需删除。另外，数据格式全部为 Object 字符串格式，需要将 comment 和 favorites 两列更改为数值格式、 write_time 列更改为日期格式。
1print(data.shape) # 查看行数和列数
2print(data.info()) # 查看总体情况
3print(data.head()) # 输出前5行
4
5# 结果：
6(49996, 8)
7Data columns (total 8 columns):
8_id 49996 non-null object
9abstract 49996 non-null object
10comment 49996 non-null object
11favorites 49996 non-null object
12name 49996 non-null object
13title 49996 non-null object
14url 49996 non-null object
15write_time 49996 non-null object
16dtypes: object(8)
17
18 _id abstract comment favorites name title url write_time
190 5bdc2 “在你们看到… 22 50 普象工业设计小站© 看了苹果屌 https:// 10小时前
201 5bdc2 中国”绿卡”号称“世界最难拿” 9 16 经济观察报© 递交材料厚 https:// 10小时前
212 5bdc2 鲜衣怒马少年时 2 13 小马宋 金庸小说陪 https:// 11小时前
223 5bdc2 预告还是预警？ 3 10 Cuba Libre 阿里即将发 https:// 11小时前
234 5bdc2 库克：咋回事？ 2 3 Cuba Libre 【虎嗅早报 https:// 11小时前
代码实现如下：
1# 删除无用_id列
2data.drop(['_id'],axis=1,inplace=True)
3# 替换掉特殊字符©
4data['name'].replace('©','',inplace=True,regex=True)
5# 字符更改为数值
6data = data.apply(pd.to_numeric,errors='ignore')
7# 更该日期格式
8data['write_time'] = data['write_time'].replace('.*前','2018-10-31',regex=True)
9# 为了方便，将write_time列，包含几小时前和几天前的行，都替换为10月31日最后1天。
10data['write_time'] = pd.to_datetime(data['write_time'])
下面，我们看一下数据是否有重复，如果有，那么需要删除。
1# 判断整行是否有重复值
2print(any(data.duplicated()))
3# 显示True，表明有重复值，进一步提取出重复值数量
4data_duplicated = data.duplicated().value_counts()
5print(data_duplicated) # 显示2 True ，表明有2个重复值
6# 删除重复值
7data = data.drop_duplicates(keep='first')
8# 删除部分行后，index中断，需重新设置index
9data = data.reset_index(drop=True)
10#结果：
11True
12False 49994
13True 2
然后，我们再增加两列数据，一列是文章标题长度列，一列是年份列，便于后面进行分析。
1data['title_length'] = data['title'].apply(len)
2data['year'] = data['write_time'].dt.year
3Data columns (total 9 columns):
4abstract 49994 non-null object
5comment 49994 non-null int64
6favorites 49994 non-null int64
7name 49994 non-null object
8title 49994 non-null object
9url 49994 non-null object
10write_time 49994 non-null datetime64[ns]
11title_length 49994 non-null int64
12year 49994 non-null int64
以上，就完成了基本的数据清洗处理过程，针对这 9 列数据可以开始进行分析了。
4. 描述性数据分析
通常，数据分析主要分为四类： 「描述型分析」、「诊断型分析」「预测型分析」「规范型分析」。「描述型分析」是用来概括、表述事物整体状况以及事物间关联、类属关系的统计方法，是这四类中最为常见的数据分析类型。通过统计处理可以简洁地用几个统计值来表示一组数据地集中性（如平均值、中位数和众数等）和离散型(反映数据的波动性大小，如方差、标准差等)。
这里，我们主要进行描述性分析，数据主要为数值型数据（包括离散型变量和连续型变量）和文本数据。
4.1. 总体情况
先来看一下总体情况。
1print(data.describe())
2 comment favorites title_length
3count 49994.000000 49994.000000 49994.000000
4mean 10.860203 34.081810 22.775333
5std 24.085969 48.276213 9.540142
6min 0.000000 0.000000 1.000000
725% 3.000000 9.000000 17.000000
850% 6.000000 19.000000 22.000000
975% 12.000000 40.000000 28.000000
10max 2376.000000 1113.000000 224.000000
这里，使用了 data.describe() 方法对数值型变量进行统计分析。从上面可以简要得出以下几个结论：
读者的评论和收藏热情都不算太高。大部分文章（75 %）的评论数量为十几条，收藏数量不过几十个。这和一些微信大 V 公众号动辄百万级阅读、数万级评论和收藏量相比，虎嗅网的确相对小众一些。不过也正是因为小众，也才深得部分人的喜欢。
评论数最多的文章有 2376 条，收藏数最多的文章有 1113 个收藏量，说明还是有一些潜在的比较火或者质量比较好的文章。
最长的文章标题长达 224 个字，大部分文章标题长度在 20 来个字左右，所以 标题最好不要太长或过短。
对于非数值型变量（name、write_time），使用 describe() 方法会产生另外一种汇总统计。
1print(data['name'].describe())
2print(data['write_time'].describe())
3# 结果：
4count 49994
5unique 3162
6top 虎嗅
7freq 10513
8Name: name, dtype: object
9count 49994
10unique 2397
11top 2014-07-10 00:00:00
12freq 274
13first 2012-04-03 00:00:00
14last 2018-10-31 00:00:00
unique 表示唯一值数量，top 表示出现次数最多的变量，freq 表示该变量出现的次数，所以可以简单得出以下几个结论：
在文章来源方面，3162 个作者贡献了这 5 万篇文章，其中自家官网「虎嗅」写的数量最多，超过了 1 万篇，这也很自然。
在文章发表时间方面，最早的一篇文章来自于 2012年 4 月 3 日。 6 年多时间，发文数最多的 1 天 是 2014 年 7 月 10 日，一共发了 274 篇文章。
4.2. 不同时期文章发布的数量变化
可以看到 ，以季度为时间尺度的 6 年间，前几年发文数量比较稳定，大概在1750 篇左右，个别季度数量激增到 2000 篇以上。2016 年之后文章开始增加到 2000 篇以上，可能跟网站知名度提升有关。首尾两个季度日期不全，所以数量比较少。
具体代码实现如下：
1def analysis1(data):
2 # # 汇总统计
3 # print(data.describe())
4 # print(data['name'].describe())
5 # print(data['write_time'].describe())
6
7 data.set_index(data['write_time'],inplace=True)
8 data = data.resample('Q').count()['name'] # 以季度汇总
9 data = data.to_period('Q')
10 # 创建x,y轴标签
11 x = np.arange(0,len(data),1)
12 ax1.plot(x,data.values, #x、y坐标
13 color = color_line , #折线图颜色为红色
14 marker = 'o',markersize = 4 #标记形状、大小设置
15 )
16 ax1.set_xticks(x) # 设置x轴标签为自然数序列
17 ax1.set_xticklabels(data.index) # 更改x轴标签值为年份
18 plt.xticks(rotation=90) # 旋转90度，不至太拥挤
19
20 for x,y in zip(x,data.values):
21 plt.text(x,y + 10,'%.0f' %y,ha = 'center',color = colors,fontsize=fontsize_text )
22 # '%.0f' %y 设置标签格式不带小数
23 # 设置标题及横纵坐标轴标题
24 plt.title('虎嗅网文章数量发布变化(2012-2018)',color = colors,fontsize=fontsize_title)
25 plt.xlabel('时期')
26 plt.ylabel('文章(篇)')
27 plt.tight_layout() # 自动控制空白边缘
28 plt.savefig('虎嗅网文章数量发布变化.png',dpi=200)
29 plt.show()
4.3. 文章收藏量 TOP10
接下来，到了我们比较关心的问题：几万篇文章里，到底哪些文章写得比较好或者比较火？
此处选取了「favorites」(收藏数量)作为衡量标准。毕竟，一般好的文章，我们都会有收藏的习惯。
第一名「读完这10本书，你就能站在智商鄙视链的顶端了 」以 1113 次收藏位居第一，并且遥遥领先于后者，看来大家都怀有「想早日攀上人生巅峰，一览众人小」的想法啊。打开这篇文章的链接，文中提到了这几本书：《思考，快与慢》、《思考的技术》、《麦肯锡入职第一课：让职场新人一生受用的逻辑思考力》等。一本都没看过，看来这辈子是很难登上人生巅峰了。
发现两个有意思的地方：
第一，文章标题都比较短小精炼。
第二，文章收藏量虽然比较高，但评论数都不多，猜测这是因为 大家都喜欢做伸手党？
4.4. 历年文章收藏量 TOP3
在了解文章的总体排名之后，我们来看看历年的文章排名是怎样的。这里，每年选取了收藏量最多的 3 篇文章。
可以看到，文章收藏量基本是逐年递增的，但 2015 年的 3 篇文章的收藏量却是最高的，包揽了总排名的前 3 名，不知道这一年的文章有什么特别之处。
以上只罗列了一小部分文章的标题，可以看到标题起地都蛮有水准的。关于标题的重要性，有这样通俗的说法：「一篇好文章，标题占一半」，一个好的标题可以大大增强文章的传播力和吸引力。文章标题虽只有短短数十字，但要想起好，里面也是很有很多技巧的。
好在，这里提供了 5 万个标题可供参考。如需，可以在公众号后台回复「虎嗅」得到这份 CSV 文件。
代码实现如下：
1def analysis2(data):
2 # # 总收藏排名
3 # top = data.sort_values(['favorites'],ascending = False)
4 # # 收藏前10
5 # top.index = (range(1,len(top.index)+1)) # 重置index，并从1开始编号
6 # print(top[:10][['title','favorites','comment']])
7
8 # 按年份排名
9 # # 增加一列年份列
10 # data['year'] = data['write_time'].dt.year
11 def topn(data):
12 top = data.sort_values('favorites',ascending=False)
13 return top[:3]
14 data = data.groupby(by=['year']).apply(topn)
15 print(data[['title','favorites']])
16 # 增加每年top123列，列依次值为1、2、3
17 data['add'] = 1 # 辅助
18 data['top'] = data.groupby(by='year')['add'].cumsum()
19 data_reshape = data.pivot_table(index='year',columns='top',values='favorites').reset_index()
20 # print(data_reshape) # ok
21 data_reshape.plot(
22 # x='year',
23 y=[1,2,3],
24 kind='bar',
25 width=0.3,
26 color=['#1362A3','#3297EA','#8EC6F5'] # 设置不同的颜色
27 # title='虎嗅网历年收藏数最多的3篇文章'
28 )
29 plt.xlabel('Year')
30 plt.ylabel('文章收藏数量')
31 plt.title('历年 TOP3 文章收藏量比较',color = colors,fontsize=fontsize_title)
32 plt.tight_layout() # 自动控制空白边缘，以全部显示x轴名称
33 # plt.savefig('历年 Top3 文章收藏量比较.png',dpi=200)
34 plt.show()
4.4.1. 最高产作者 TOP20
上面，我们从收藏量指标进行了分析,下面，我们关注一下发布文章的作者（个人/媒体）。前面提到发文最多的是虎嗅官方，有一万多篇文章，这里我们筛除官媒，看看还有哪些比较高产的作者。
可以看到，前 20 名作者的发文量差距都不太大。发文比较多的有「娱乐资本论」、「Eastland」、「发条橙子」这类媒体号；也有虎嗅官网团队的作者：发条橙子、周超臣、张博文等；还有部分独立作者：假装FBI、孙永杰等。可以尝试关注一下这些高产作者。
代码实现如下：
1def analysis3(data):
2 data = data.groupby(data['name'])['title'].count()
3 data = data.sort_values(ascending=False)
4 # pandas 直接绘制,.invert_yaxis()颠倒顺序
5 data[1:21].plot(kind='barh',color=color_line).invert_yaxis()
6 for y,x in enumerate(list(data[1:21].values)):
7 plt.text(x+12,y+0.2,'%s' %round(x,1),ha='center',color=colors)
8 plt.xlabel('文章数量')
9 plt.ylabel('作者')
10 plt.title('发文数量最多的 TOP20 作者',color = colors,fontsize=fontsize_title)
11 plt.tight_layout()
12 plt.savefig('发文数量最多的TOP20作者.png',dpi=200)
13 plt.show()
4.4.2. 平均文章收藏量最多作者 TOP 10
我们关注一个作者除了是因为文章高产以外，可能更看重的是其文章水准。这里我们选择「文章平均收藏量」（总收藏量/文章数）这个指标，来看看文章水准比较高的作者是哪些人。
这里，为了避免出现「某作者只写了一篇高收藏率的文章」这种不能代表其真实水准的情况，我们将筛选范围定在至少发布过 5 篇文章的作者们。
可以看到，前 10 名作者包括：遥遥领先的 重读、两位高产又有质量的 辩手李慕阳 和 饭统戴老板 ，还有大众比较熟悉的 高晓松、宁南山等。
如果你将这份名单和上面那份高产作者名单进行对比，会发现他们没有出现在这个名单中。相比于数量，质量可能更重要吧。
下面，我们就来看看排名第一的 重读 都写了哪些高收藏量文章。
居然写的都是清一色关于马老板家的文章。
了解了前十名作者之后，我们顺便也看看那些处于最后十名的都是哪些作者。
一对比，就能看到他们的文章收藏量就比较寒碜了。尤其好奇最后一位作者 Yang Yemeng ，他写了 7 篇文章，竟然一个收藏都没有。
来看看他究竟写了些什么文章。
原来写的全都是英文文章，看来大家并不太钟意阅读英文类的文章啊。
具体实现代码：
1def analysis4(data):
2 data = pd.pivot_table(data,values=['favorites'],index='name',aggfunc=[np.sum,np.size])
3 data['avg'] = data[('sum','favorites')]/data[('size','favorites')]
4 # 平均收藏数取整
5 # data['avg'] = data['avg'].round(decimals=1)
6 data['avg'] = data['avg'].astype('int')
7 # flatten 平铺列
8 data.columns = data.columns.get_level_values(0)
9 data.columns = ['total_favorites','ariticls_num','avg_favorites']
10 # 筛选出文章数至少5篇的
11 data=data.query('ariticls_num > 4')
12 data = data.sort_values(by=['avg_favorites'],ascending=False)
13 # # 查看平均收藏率第一名详情
14 # data = data.query('name == "重读"')
15 # # 查看平均收藏率倒数第一名详情
16 # data = data.query('name == "Yang Yemeng"')
17 # print(data[['title','favorites','write_time']])
18 print(data[:10]) # 前10名
19 print(data[-10:]) # 后10名
4.5. 文章评论数最多 TOP10
说完了收藏量。下面，我们再来看看评论数量最多的文章是哪些。
基本上都是和 三星 有关的文章，这些文章大多来自 2014 年，那几年 三星 好像是挺火的，不过这两年国内基本上都见不到三星的影子了，世界变化真快。
发现了两个有意思的现象。
第一，上面关于 三星 和前面 阿里 的这些批量文章，它们「霸占」了评论和收藏榜，结合知乎上曾经的一篇关于介绍虎嗅这个网站的文章：虎嗅网其实是这样的 ，貌似能发现些微妙的事情。
第二，这些文章评论数和收藏数两个指标几乎呈极端趋势，评论量多的文章收藏量却很少，评论量少的文章收藏量却很多。
我们进一步观察下这两个参数的关系。
可以看到，大多数点都位于左下角，意味着这些文章收藏量和评论数都比较低。但也存在少部分位于上方和右侧的异常值，表明这些文章呈现 「多评论、少收藏」或者「少评论、多收藏」的特点。
4.6. 文章标题长度
下面，我们再来看看文章标题的长度和收藏量之间有没有什么关系。
大致可以看出两点现象：
第一，收藏量高的文章，他们的标题都比较短（右侧的部分散点）。
第二，标题很长的文章，它们的收藏量都非常低（左边形成了一条垂直线）。
看来，文章起标题时最好不要起太长的。
实现代码如下：
1def analysis5(data):
2 plt.scatter(
3 x=data['favorites'],
4 y =data['comment'],
5 s=data['title_length']/2,
6 )
7 plt.xlabel('文章收藏量')
8 plt.ylabel('文章评论数')
9 plt.title('文章标题长度与收藏量和评论数之间的关系',color = colors,fontsize=fontsize_title)
10 plt.tight_layout()
11 plt.show()
4.7. 标题形式
下面，我们看看作者在起文章标题的时候，在标点符号方面有没有什么偏好。
可以看到，五万篇文章中，大多数文章的标题是陈述性标题。三分之一（34.8%） 的文章标题使用了问号「？」，而仅有 5% 的文章用了叹号「！」。通常，问号会让人们产生好奇，从而想去点开文章；而叹号则会带来一种紧张或者压迫感，使人不太想去点开。所以，可以尝试多用问号而少用叹号。
4.8. 文本分析
最后，我们从这 5 万篇文章中的标题和摘要中，来看看虎嗅网的文章主要关注的都是哪些主题领域。
这里首先运用了 jieba 分词包对标题进行了分词，然后用 WordCloud 做成了词云图，因虎嗅网含有「虎」字，故选取了一张老虎头像。（关于 jieba 和 WordCloud 两个包，之后再详细介绍）
可以看到文章的主题内容侧重于：互联网、知名公司、电商、投资这些领域。这和网站本身对外宣传的核心内容，即「关注互联网与移动互联网一系列明星公司的起落轨迹、产业潮汐的动力与趋势，以及互联网与移动互联网如何改造传统产业」大致相符合。
实现代码如下：
1def analysis6(data):
2 text=''
3 for i in data['title'].values:
4 symbol_to_replace = '[!"#$%&\'()*+,-./:;<=>?@，。?★、…【】《》？“”‘’！[\\]^_`{|}~]+'
5 i = re.sub(symbol_to_replace,'',i)
6 text+=' '.join(jieba.cut(i,cut_all=False))
7 d = path.dirname(__file__) if "__file__" in locals() else os.getcwd()
8
9 background_Image = np.array(Image.open(path.join(d, "tiger.png")))
10 font_path = 'C:\Windows\Fonts\SourceHanSansCN-Regular.otf' # 思源黑字体
11
12 # 添加stopswords
13 stopwords = set()
14 # 先运行对text进行词频统计再排序，再选择要增加的停用词
15 stopwords.update(['如何','怎么','一个','什么','为什么','还是','我们','为何','可能','不是','没有','哪些','成为','可以','背后','到底','就是','这么','不要','怎样','为了','能否','你们','还有','这样','这个','真的','那些'])
16 wc = WordCloud(
17 background_color = 'black',
18 font_path = font_path,
19 mask = background_Image,
20 stopwords = stopwords,
21 max_words = 200,
22 margin =2,
23 max_font_size = 100,
24 random_state = 42,
25 scale = 2,
26 )
27 wc.generate_from_text(text)
28 process_word = WordCloud.process_text(wc, text)
29 # 下面是字典排序
30 sort = sorted(process_word.items(),key=lambda e:e[1],reverse=True) # sort为list
31 print(sort[:50]) # 输出前词频最高的前50个，然后筛选出不需要的stopwords，添加到前面的stopwords.update()方法中
32 img_colors = ImageColorGenerator(background_Image)
33 wc.recolor(color_func=img_colors) # 颜色跟随图片颜色
34 plt.imshow(wc,interpolation='bilinear')
35 plt.axis('off')
36 plt.tight_layout() # 自动控制空白边缘
37 plt.savefig('huxiu20.png',dpi=200)
38 plt.show()
上面的关键词是这几年总体的概况，而科技互联网行业每年的发展都是不同的，所以，我们再来看看历年的一些关键词，透过这些关键词看看这几年互联网行业、科技热点、知名公司都有些什么不同变化。
可以看到每年的关键词都有一些相同之处，但也不同的地方：
中国互联网、公司、苹果、腾讯、阿里等这些热门关键词一直都是热门，这几家公司真是稳地一批啊。
每年会有新热点涌现：比如 2013 年的微信（刚开始火）、2016 年的直播（各大直播平台如雨后春笋般出现）、2017年的 iPhone（上市十周年）、2018年的小米（上市）。
不断有新的热门技术出现：2013 - 2015 年的 O2O、2016 年的 VR、2017 年的 AI 、2018 年的「区块链」。这些科技前沿技术也是这几年大家口耳相传的热门词汇。
通过这一幅图，就看出了这几年科技互联网行业、明星公司、热点信息的风云变化。
5. 小结
本文简要分析了虎嗅网 5 万篇文章信息，大致了解了近些年科技互联网的千变万化。
发掘了那些优秀的文章和作者，能够节省宝贵的时间成本。
一篇文章要想传播广泛，文章本身的质量和标题各占一半，文中的5 万个标题相信能够带来一些灵感。
本文尚未做深入的文本挖掘，而文本挖掘可能比数据挖掘涵盖的信息量更大，更有价值。进行这些分析需要机器学习和深度学习的知识，待后期学习后再来补充。
本文完。
文中的完整代码和素材可以在公众号后台回复「虎嗅」 或者在下面的链接中获取：
https://github.com/makcyun/eastmoney_spider
推荐阅读：