文章目录
  1. 1. 前言
  2. 2. 工具
  3. 3. 分析网页
  4. 4. 代码
  5. 5. 运行结果与分析
  6. 6. 图表
  7. 7. 补充
  8. 8. 后续工作
  9. 9. 结论与启示

本文是一片老文,用Python做了一个简单的数据分析,2016年1月发表在老博客上,在整理旧文的时候翻了出来,觉得有点价值,故移过来与大家分享一下。

前言

看前面有位朋友分析了一下每天某个时间发文章的访问量区别,以讨论非系统性因素对文章访问量的影响。之所以进一步讨论工作日和周末发文对文章访问量的影响,一是觉得很有意思,二是毕业设计与此有很大关系,三是觉得还是有点意义的,于是决定做一下这个工作。那么到底周末发文的访问量是不是总体来说比工作日低呢,请往下看。

工具

1.Python 3.5
2.BeautifulSoup 4.4.1
3.Requests模块

分析网页

由于之前的工作已知博客园博客展览页是要通过ajax请求换页,这里我采用了Requests模块,post一个请求即可。

1
2
payload = {"CategoryType":"SiteHome","ParentCategoryId":0,"CategoryId":808,"PageIndex":i,"ItemListActionName":"PostList"}
r = requests.post(posturl,data = payload)

这样就可以接收到第i页的博文列表的HTML内容了。
再来看一下我们要爬取的内容:

我们要爬取两个内容:发布时间 与 阅读量,这次我们爬取40—200页共161页的内容,并分两种情况:剔除3000以上访问量的文章以及考虑全部文章,然后要做的工作有两个:根据打扫过的数据,统计出一周周一到周日每天的文章总数与访问量总数,最后用WPS表格来制作出对比图。一提到解析网页,我毫无疑问地又想到了BeautifulSoup这款工具,简单好用,功能强大,推荐。

那么我们首先用BeautifulSoup抓出 class = post_item_foot‘发布于...’ 内容,以及抓出 class = 'article_view'‘阅读(...)’内容,再去除一些无用的部分,最后提取出日期三个数据y,m,d,以及阅读量,这里我们无需关心文章到底是谁发的或者具体时间。
(ps:Python 3.5下装BeautifulSoup老是不成功,后来发现有更高的版本4.4.1,就果断换了,然后一发成功,不知道什么原因)
部分代码如下:

1
2
3
4
5
6
7
8
bs = BeautifulSoup(r.text,"html.parser")           #转化成beautifulsoup对象

View = bs.findAll(attrs = {'class' : 'article_view','class' : 'post_item_foot'}) #找出两个class内容

strallview = str(View) #转化为字符串

viewcountsmatch = re.findall('阅读\(\d+\)',strallview)
viewdaymatch = re.findall('发布于 ....-\d+-\d+',strallview)

得出日期三个数据以后,这里我使用蔡勒公式(Zeller Fomula)直接计算出该日是星期几。蔡勒公式函数代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
def ZellerFomula(y,m,d):
if m == 1 or m == 2:
y -= 1
m += 12
c = y // 100
y = y - c * 100
w = (c // 4) - 2 * c + (y + y // 4) + (13 * (m + 1) // 5) + d - 1
while w < 0:
w += 7
w %= 7
if w == 0:
w += 7
return w

然后就是简单的统计了。
这里我有一个考虑,由于日子越早的文章显然访问量总是会更高,所以为了在一定程度上抵消这种效应,我为每一页的20篇文章设置了一个权重:

1
weight = 1 - 0.0005 * (i - 40)

即i越大,页数越大,发布越早,访问量相应打一个折扣,这里我设置的最大折扣为92%,即第200页的文章相应的阅读量为其原来阅读量的92%,希望能稍微提升一下结果的公平性。

代码

这时候写出python代码(剔除3000+文章版本):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
import requests
import re
import urllib
from bs4 import BeautifulSoup

def ZellerFomula(y,m,d):
if m == 1 or m == 2:
y -= 1
m += 12
c = y // 100
y = y - c * 100
w = (c // 4) - 2 * c + (y + y // 4) + (13 * (m + 1) // 5) + d - 1
while w < 0:
w += 7
w %= 7
if w == 0:
w += 7
return w

f = open('keyvalue.txt','w')
posturl = 'http://www.cnblogs.com/mvc/AggSite/PostList.aspx'
daysum = [0,0,0,0,0,0,0,0,0]
count = [0,0,0,0,0,0,0,0,0]

for i in range(40,201):
weight = 1 - 0.0005 * (i - 40)

payload = {"CategoryType":"SiteHome","ParentCategoryId":0,"CategoryId":808,"PageIndex":i,"ItemListActionName":"PostList"}
r = requests.post(posturl,data = payload)

bs = BeautifulSoup(r.text,"html.parser")

View = bs.findAll(attrs = {'class' : 'article_view','class' : 'post_item_foot'})

strallview = str(View)

viewcountsmatch = re.findall('阅读\(\d+\)',strallview)
viewdaymatch = re.findall('发布于 ....-\d+-\d+',strallview)

#print(viewcountsmatch)
#print(viewdaymatch)

for j in range(len(viewcountsmatch)):
vcm = viewcountsmatch[j]
vcm = re.sub('阅读\(','',vcm)
vcm = re.sub('\)','',vcm)
#print(vcm)
vc = int(vcm)
if(vc > 3000):
continue
vdm = viewdaymatch[j]
vdm = re.sub('发布于 ','',vdm)
vdm = vdm.split('-',2)
#print(vdm)
ans = ZellerFomula(int(vdm[0]),int(vdm[1]),int(vdm[2]))
#print(ans)
ass = int(weight*vc)
#print(str(ass)+ ' ' +str(vc))
daysum[ans] += ass
count[ans] += 1

for i in range(1,8):
f.write(str(daysum[i])+' ')
f.write(str(count[i]))
f.write('\n')

f.close()

这代码写了很久,主要python很久没碰也不熟悉了。

运行结果与分析

然后我们运行就可以爬了,耗时大约40+秒,结果如下:

1.剔除版本数据

每行前面是161篇文章中星期1~7的文章访问总量,后面是文章数量。不算3000+访问以上的文章总数3104篇,贡献访问量1573399。

2.未剔除版本

文章总数3220 = 161 x 20篇,贡献访问量2176232.

由上可以看出,3000+访问以上的较优质文章116篇,占比3.6%,其贡献的访问量为602833,占比27.7%,这也是预料之中的。

图表




由图可得,两种方式总体上的差距并不大,从发文数量上看,周一发文最多,可能是大家都上班了,开始新一周的工作使然。随后周二到周四发文数量略有波动,但是都差不太多,并且比周一少。到周五由于放假了,文章数量也相应减少。到周末两天发文数量就有了很大下降,这也是预料之中。

从文章访问量来看,周一达到最大,随后又以较周一低的水平波动,到周末达到低谷,一大原因也是由于文章数量的减少。

从平均访问情况来看,周一至周五的平均访问量普遍比周末稍高一点,印证了结论“工作日发文要比周末发文平均访问量多”,但是并没有多太多,其中周一达到最高峰,随后有波动,到周日有一个反弹,说明“周一效应”还是有一点的。

两幅图的有些显著的不同就是访问量来看,剔除3000+文章以后,周二的访问量有10W+的显著下降,这是否说明周二的时候高质量文章的访问在急速增长的原因呢。

补充

后来我发现光考虑篇均访问还不全面,因为周一即使篇均访问较高,但是它的文章数也是很大的,所以周一的文章必然会很快被覆盖过去,所以这里有一个性价比的问题,于是我又算了一项指标,即篇均访问与当日文章数量之比,底数越大小即文章数量越小,越晚被覆盖,曝光率越大,篇均访问越大自然带来的效应越大。所以有了下面这张图:

事实证明,性价比最高的发文日期居然是发的很少,访问很少的周末!

后续工作

虽然本次挖掘3220篇文章数据较小,感觉还是可以从速度方面进行优化的。
权重也是我自己简单设计的,这方面也可以进一步优化。
欢迎大家提出意见与建议。

结论与启示

所以说,如果你想要让你的文章获得更多的访问量,获得更大的影响力,尽量在工作日发文吧。当然,我前面说过,这些都只是非系统性因素,俗话说,打铁还需自身硬,提高自己文章的质量和水平才是获得更大文章影响力的决定性因素。希望广大园友能够致力于发布质量更高的文章,共同构建一个属于我们的优质的博客园。
本文就是上星期四晚上写就的,一直到现在才发,试下效果。事实是写完文章很难忍住不发,哈哈。

同样,爬取博客园只是为了学习之用,无其他目的,望理解。感谢韩子迟的工作。

数据科学 | Data Science