爬取 Stackoverflow 100 万条问答并简单分析
2017-05-04 本文已影响1033人
chenjiandongx
作为一个热爱编程的大学生，怎么能不知道面向 stackoverflow 编程呢。
打开 stackoverflow 主页，在 questions 页面下选择按 vote 排序，爬取前 20000 页，每页将问题数量设置为 50，共 1m 条，（实际上本来是想爬完 13m 条的，但 1m 条后面问题基本上都只有 1 个或 0 个回答，那就选取前 1m 就好吧）
实际上用数据库去重后只有 999654 条问答信息
对爬取数据进行简单分析
votes 分析
降序排列了 votes 数，生成折线图
Votes折线图
2k 后的问题的 votes 数基本上就已经在 400 以下了，接着后面的就基本上是贴地飞行了
votes 数最多 : Why is it faster to process a sorted array than an unsorted array?
votes 数的连续分布情况
votes甘特图
可见最多的还是集中在 1-2K 之间,从 6k 开始基本上就断层了
具体数据
| description | count |
|---|---|
| votes >= 500 | 1630 |
| votes >= 400 | 2325 |
| votes >= 300 | 3782 |
| votes >= 200 | 7062 |
| votes >= 100 | 19781 |
如果以 100 为分界线的话，会得到这样的一个饼图
pie_votes_1
大于 100 的连 %2 都不到
再来看看底层的数据
| description | count |
|---|---|
| 1 <= votes <= 5 | 211804 |
| 6 <= votes <= 10 | 430935 |
| 11 <= votes <= 15 | 136647 |
| 16 <= votes <= 20 | 64541 |
| votes <= 20 | 843927 |
可见 votes 小于 20 的，数量高达 84m
看看总体的比例吧
pie_votes_2
answers 分析
降序排列了 answers 数，生成折线图
answers折线图
很明显 3k 之后的 answers 数基本上就小于 20 了
answers 数最多: What is the best comment in source code you have ever encountered? [closed]
answers 数的连续分布情况
answers甘特图
150 后也就断层了，实际上能达到这样的回答数极少
具体数据
| description | count |
|---|---|
| answers >= 5 | 218059 |
| answers >= 10 | 34500 |
| answers >= 20 | 3808 |
| answers >= 30 | 968 |
大于 30 的确实少的可怜，看看总体情况
pie_answer_1
views 分析
降序排列了 views 数，生成折线图
views折线图
最高达到了 4.5m，100000 以后的基本上就不足 28000 了
views 数最多: How to undo last commit(s) in Git?
views 数的连续分布情况
views甘特图
具体数据
| description | count |
|---|---|
| views >= 5000 | 486466 |
| views >= 10000 | 315576 |
| views >= 20000 | 171873 |
| views >= 50000 | 59363 |
| views >= 100000 | 22224 |
| views >= 200000 | 7030 |
大部分问答的 views 数还是集中在 20000 以内
还是得看看总体分布
bubble_views
再看看 votes，views，answers 三者的散点图对应情况
votes - views
votes-views散点图
votes - answers
votes-answers散点图
views - answers
views-answers散点图
总的来说，这三者对应关系类似于一个金字塔。三个图基本上都是左下角靠近原点的区域被填满，也就是说绝对大部分的问题的 votes，answers 和 views 都是属于最下层的。高质量活跃的问题是处于金字塔顶端的。三者的最高数好像也没特别明显的对应关系，且三者的最高数都不是同一个问题。
根据所有问题的 tags 提取出总量前 200 的关键词（前 50 条如下），第 1 名是 c#，python 排在第 5
('c#', 94614),
('java', 93244),
('javascript', 76722),
('android', 69321),
('python', 62502),
('c++', 58173),
('php', 42596),
('ios', 37773),
('jquery', 37405),
('.net', 36180),
('html', 28536),
('css', 26174),
('c', 24699),
('objective-c', 23253),
('iphone', 22171),
('ruby-on-rails', 20143),
('sql', 19171),
('asp.net', 18060),
('mysql', 17559),
('ruby', 16397),
('r', 15670),
('git', 13139),
('linux', 13080),
('asp.net-mvc', 12857),
('angularjs', 12606),
('sql-server', 12473),
('node.js', 12212),
('django', 11576),
('arrays', 11006),
('algorithm', 10959),
('wpf', 10631),
('performance', 10619),
('xcode', 10613),
('string', 10426),
('windows', 10132),
('eclipse', 10117),
('scala', 9942),
('regex', 9685),
('multithreading', 9601),
('json', 9266),
('swift', 8950),
('c++11', 8939),
('haskell', 8823),
('osx', 8159),
('visual-studio', 8140),
('html5', 7627),
('database', 7567),
('xml', 7478),
('spring', 7464),
('unit-testing', 7253),
('bash', 6825)
这样看好像不太直观，所以就把它根据词频生成了词云
词云
因为是用 Python 写的爬虫，所以重点来分析下 Python 类的问答
votes 数前 10
- 6162 : What does the “yield” keyword do in Python?
- 3529 : What is a metaclass in Python?
- 3098 : How do I check whether a file exists using Python?
- 3035 : Does Python have a ternary conditional operator?
- 2620 : Calling an external command in Python
- 2605 : What does if name == “main”: do?
- 2194 : How to merge two Python dictionaries in a single expression?
- 2123 : Sort a Python dictionary by value
- 2058 : How to make a chain of function decorators?
- 1984 : How to check if a directory exists and create it if necessary?
answers 数前 10
- 191 : Hidden features of Python [closed]
- 87 : Best ways to teach a beginner to program? [closed]
- 55 : Favorite Django Tips & Features?
- 50 : How do you split a list into evenly sized chunks?
- 44 : Calling an external command in Python
- 43 : How can I represent an 'Enum' in Python?
- 38 : How to merge two Python dictionaries in a single expressions
- 38 : Finding local IP addresses using Python's stdlib
- 37 : Reverse a string in python without using reversed or [::-1]
- 37 : How do I check whether a file exists using Python?
views 数前 10
- 2121621 : Parse String to Float or Int
- 1905938 : Using global variables in a function other than the one that created them
- 1888666 : How do I check whether a file exists using Python?
- 1827126 : Calling an external command in Python
- 1699574 : Converting integer to string in Python?
- 1686230 : How do I read a file line-by-line into a list?
- 1682307 : Iterating over dictionaries using 'for' loops in Python
- 1569205 : How to get the size of a list
- 1554755 : How do I install pip on Windows?
- 1515505 : Finding the index of an item given a list containing it in Python
三者的前 10 中有 2 个问题是完全重叠的，分别是
Github 源码
- 爬取 Stackoverflow100 万条问答
- 欢迎 Fork 和 Star
