- A+
文|.NET程序猿小伍
两周前，做的一个项目需要模拟一批用户评价数据，如果想让数据看着真实点，那就得使用随机的用户昵称和头像啊。要是头像或者昵称全都差不多，那别人一看就看出来这是做的数据了。
于是乎我就写了个从我QQ空间开始的蜘蛛网式的爬虫程序，程序断断续续的运行了两周。总共爬到了腾讯3000万QQ数据，其中有300万包含用户（QQ号，昵称，空间名称，会员级别，头像，最新一条说说内容，最新说说的发表时间，空间简介，性别，生日，所在省份，城市，婚姻状况）的详细数据。
目前已经爬到我的第7圈好友（depth=7）共3000万数据，目前的瓶颈在家里的网速和电脑的配置上。最快的时候爬取速度达到一天500W新Q数据。
没图，我说个毛线啊！
目前数据量为2G左右。
再看看，我根据这份数据生成的一些有趣的统计图（数据量太大了一次加载到内存中直接报内存不够了，所以下面的统计数据只取了depth值小数据较完整约80W的数据）：
内存已经爆了，不能怪我。谁赞助台服务器吧
1、大家一般都在啥时候发说说呢？
从图中看出一天最冷门的时候是凌晨4点，这时全国正在睡觉的人最多。大家最亢奋的是晚上10点到11点，人们都喜欢睡前看看别人的空间，发条说说。中午12点左右也有一波小高峰
一会我再统计张中国人习惯几点起床，几点吃饭，几点睡觉的图吧
2、中国人都喜欢在几月生小孩呢？
最热门的是1月份和10月份，最冷门的是4月份。10月份生小孩的多好理解，一年忙差不多了，天气也不冷不热正是生小孩的好时候。但1月份最高且和2月落差很大有点不好理解，那么冷的天生不怕冻吗？我估计是1月份也快过年了，以前没聚一起的好不容易聚一起了，就容易冲动，冲动就啪啪啪。4月份生日的最少也好理解，中国人不喜欢4这个数字呗。大数据有意思吧！！我觉得太好玩了，后面还有很多呢。
3、这是我目前爬取的用户所在地分布
你能猜出我是哪的了吗？前四名分别为：广东，湖南，四川，江苏。没错，我就是湖南的！湖南人在广东打工的超级多，这也能理解为什么广东排名第一了。江苏是我上学的地方，有点琢磨不透的是四川和我非情非故的居然排第3名，我的朋友们，你们是谁播的种？站出来！还有一种可能，四川人交际能力全国第一，我平时在重庆小面吃饭，四川人确实特别，说话语速那个快啊，声调那个高啊。受不了！
4、数据人群的年龄分布
一不小心就暴漏了我的年龄，没错。我就是那个最高值的1990年；从目前的数据来看，无论是分布地区以及年龄阶段与我的关联还非常大，随着数据量的不断增加这种关联会逐渐变小，统计图也会逐渐接近全国用户的真实情况。真想弄几台服务器分布式搞起，估计一周就能爬上亿的简单数据。单靠我的笔记本和家里超烂的网速达到这个目标还很远。
5、数据人群性别分布
男比女足足多了23%的人数，我分析认为实际差距应该是不大的，但女生在设置QQ空间访问权限时普遍要比男生的高。所以我爬取的数据中男生居多。
6、下面系列图是根据一些“关键字”在说说中出现的频率统计出来的，相当有意思。
6.1 图说股市
在知乎“能利用爬虫技术做到哪些很酷很有趣很有用的事情？”有一个google实习的哥们@Emily L爬了400亿条tweet也做了很多有趣的分，其中提到一篇关于利用twitter上人的心情来预测股市的论文(http://battleofthequants.net/wp-content/uploads/2013/03/2010-10-15_JOCS_Twitter_Mood.pdf)很有意思。另附我在该问题下的答案“用爬虫监测她（他）的知乎动态”，仅做技术玩乐，求别再喷我猥琐了。
如果当我们拥有海量的QQ空间最新说说，和sina微博数据。我想，用它们来做一些股市或者其它方面的分析预测是可行的，准确度应该也是非常高的。我接下来可能会考虑去做这件有趣的事情。
将股票中的关键字做海量数据分析，比如会得出当日讨论股票排行榜。进而能得到海量讨论股票的用户，再通过市场的实际反馈找出股票上涨及下跌的正相关因子，再对这些海量用户进行分析计算得出最靠谱股票推荐大神排行榜。对这些用户分级，分优先度及抓取密度来拿数据。用这些数据分析出哪些是靠谱的股票肯定靠谱。
6.2 群众讨论最多的明星排行榜，还是很靠谱的。
另附我抓的明星QQ号吧，纯属娱乐，自辩真假。有些空间确实有很多生活私照。
张杰QQ：419998花千骨的赵丽颖QQ：427794谢娜QQ：500746杨幂QQ:456773范冰冰QQ：88597周杰伦QQ：332661
6.3 最为用户喜爱的手机品牌
6.4 人们最喜欢谈论的互联网公司，阿里之所以这么低估计是大家都喜欢叫它淘宝或者天猫吧。取这么多名字，自讨苦吃。
6.5 QQ空间中讨论的最为频繁的社交平台排行榜。
6.6 生活的统计图
爱>恨； 开心>伤心; 笑声>叹气声； 吃货很多；谁特么说中国不幸福了，这满满的都是正能量数据啊。
好了，其实还可以做很多其它的分析。如果大家有什么有趣的数据分析想知道的，那就给我留言吧。
技术不多说了，程序不难，多线程数据库操作却是把我搞苦了。还好，现在程序差不多稳定了。过程也是很有意思的，有空我再写个程序升级过程中的那些趣事吧。我觉得一个美妙的程序一定是高度模拟现实的，就像飞机模仿蜻蜓，雷达模仿蝙蝠一样。这次的程序设计就是模拟的工厂的生产线。附个设计图吧
另外广泛征集大家的聪明点子，能否用这些数据做一个有趣的网站，app。
原文链接：http://www.cnblogs.com/cinser/p/4656386.html
