爬取 stackoverflow 100万条问答之后

网络爬虫

浏览数:167

2019-2-22

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 100 万条,(实际上本来是想爬完 1300 万条的,但 100 万条后面问题基本上都只有 1 个或 0 个回答,那就选取前 100 万就好吧)

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

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

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

如果以 100 为分界线的话,会得到这样的一个饼图

大于 100 的连 %2 都不到

再来看看底层的数据

可见 votes 小于 20 的,数量高达 84m

看看总体的比例吧

answers 分析

降序排列了 answers 数,生成折线图

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

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

大于 30 的确实少的可怜,看看总体情况

views 分析

降序排列了 views 数,生成折线图

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


具体数据

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

再看看 votes,views,answers 三者的散点图对应情况

votes – views


votes – answers


views – answers

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

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

answers 数前 10

views 数前 10

三者的前十中有两个问题是完全重叠的,分别是

How do I check whether a file exists using Python?
Calling an external command in Python

最后

Github地址https://github.com/chenjiandongx/stackoverflow

欢迎 Fork 和 Star