Programming Languages

python

139335 projects - #7 most used programming language

javascript

184084 projects - #8 most used programming language

HTML

75241 projects

Labels

coolapk

酷安用户数据爬虫案例

背景

「酷安」是一个成长中的优秀国内应用社区。截至目前（201705），注册用户数在100万左右（当然，活跃用户并没有这么多）。为了满足自己了解酷安粉丝数排名情况的好奇心，以及学习实践 Python，于是写了这个小玩意儿。

在此之前，已有酷友 @unnamed5719 基于 Python 实现对酷安全网用户的爬取分析，同时也开源了他的代码以及分析结果。（去查看：酷安大数据（伪））而这个小项目也是在其启发之下完成，感谢 @unnamed5719！

分析

每一位注册酷安的用户会获得一个唯一的ID，这些ID从10001开始依次递增。

如何获取每个用户的数据呢？有两个方案：

1. 解析酷安用户网页
~~http://www.coolapk.com/u/{uid}~~

http://www.coolapk.com/u/{uid}/album
1. 调用酷安APP的API
https://api.coolapk.com/v6/user/profile?uid={uid}

比较：

	方案一	方案二
速度	快	慢
信息量	少（`用户名`、`粉丝数`、`动态数`、`关注APP数`、`发现APP数`）	多（除方案一提及的，还有`性别`、`应用集数`等）
其他		接口需要的`X-App-Token`值难于构造

这两个方案，均已实现。以下仅以方案一为例进行说明。

获取的这些数据包括用户隐私信息吗？

不会涉及到酷安用户隐私。抓取的这些数据均为酷安已公开的用户数据。

准备

运行系统：Ubuntu 14

数据库：MySQL 5.5

apt-get update
apt-get upgrade
apt-get install mysql-server
apt-get install mysql-client

CREATE DATABASE coolapk;
USE coolapk;
CREATE TABLE user(
    id INT PRIMARY KEY,
    name VARCHAR(64),
    fan INT DEFAULT 0,
    feed INT DEFAULT 0,
    app INT DEFAULT 0,
    find INT DEFAULT 0,
    time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP);

开发语言：Python 3

apt-get install python3
apt-get install python3-pip
pip3 install pymysql
pip3 install sqlalchemy

GO！

以每次处理10000用户的节奏，进行100次执行。

python3 coolapk_user_stats_via_htm.py 10000 10000
python3 coolapk_user_stats_via_htm.py 20000 10000
python3 coolapk_user_stats_via_htm.py 30000 10000
...

以腾讯家的云服务器（配置：单核/1GB/1Mbps）为例，

每秒平均处理10.2个用户
每个用户平均消耗13.14KB流量

那么，按酷安百万用户计，

大概耗时1634min（27h）（单机单线程）
大约消耗12.5GB流量

如果使用多台机器同时跑，可在数小时内完成。

结果

以下统计基于 2017-05-19 - 2017-05-23 时间段采集的数据

用户数

SELECT COUNT(*) FROM user;

注册用户数：965289 97万

SELECT COUNT(*) FROM user WHERE fan = 0 AND feed = 0 AND app = 0 AND find = 0;

沉睡用户数：403651 40万，占比42%

评分排名TOP100

设定评分计算规则：

	粉丝数	动态数	关注APP数	发现APP数
权值	0.50	0.40	0.08	0.02

各项权值由我个人随意设定，因此以下数据仅供参考。

SELECT
    @rownum:=@rownum+1 AS '#',
    CONCAT('[@', name, '](http://www.coolapk.com/u/', id, ')') AS 'user',
    FLOOR(fan * 0.5 + feed * 0.4 + app * 0.08 + find * 0.02) AS 'score',
    fan, feed, app, find
FROM
    user, (SELECT @rownum:=0) temp
ORDER BY
    score DESC
LIMIT 100;

#	酷友	得分	粉丝数	动态数	关注APP数	发现APP数
1	@酷安小编	8860	15374	2869	179	595
2	@八百标兵	7727	12784	3193	424	1205
3	@辣椒爱上水果	5761	11509	16	5	0
4	@夜之浪子	4189	2144	7747	53	724
5	@pandecheng	3146	2720	3072	6836	535
6	@tastypear	2989	4778	1478	16	383
7	@尘封之泪	2984	5661	384	4	0
8	@阿酷	2706	4396	1255	44	162
9	@zesty	2695	3113	2741	2	2114
10	@小浅丶	2349	4637	76	4	1
11	@柚木舟	2318	4500	155	82	0
12	@Fince	2122	864	4003	1109	24
13	@various	2056	4054	64	41	9
14	@fkzhang	2053	4058	60	0	0
15	@DBin_K	1941	1278	3214	193	90
16	@黄福林	1743	2593	1117	1	7
17	@iKirby	1734	2470	1008	1192	24
18	@绯色の炎	1626	281	2851	4313	16
19	@zhou45	1566	3101	41	0	4
20	@lyh123	1447	488	2671	1608	298
21	@feemo	1404	1162	1925	506	641
22	@没有密码找回	1345	2646	55	1	1
23	@Hiapkangel	1334	1712	1160	176	7
24	@EMK2000	1279	692	2276	95	772
25	@西瓜菌	1278	1597	1161	182	61
26	@婷媌	1247	2354	176	2	5
27	@哈尼小姐姐	1237	2263	245	105	1
28	@阿明1975	1197	103	2760	1	2075
29	@Brevent	1179	2334	29	5	1
30	@PandaTV	1177	2184	156	286	8
31	@Trumeet	1174	2073	181	820	5
32	@微信撩骚	1163	115	2722	212	11
33	@veryyoung	1153	2289	21	5	5
34	@狐狸等花开	1139	2269	13	0	0
35	@手谈姬	1139	2211	84	0	7
36	@By_syk	1127	1750	571	289	32
37	@suesyria	1126	563	1807	1353	702
38	@少女的酥胸_	1090	2023	198	1	1
39	@Aviraxp	1027	1390	829	2	33
40	@顾挽歌	1025	2007	51	15	1
41	@狼大	1023	1825	222	279	0
42	@Pandaria	1020	1899	177	7	4
43	@千舞梦三	1019	302	2132	89	415
44	@风澈	995	1952	27	107	1
45	@llllllllllll666	964	621	1591	207	34
46	@讞諳	961	1289	746	166	255
47	@茶杯	934	1327	666	15	160
48	@维生素茜	933	226	1961	446	27
49	@SDRAGON	924	1742	60	370	3
50	@科学松鼠会	911	360	1793	87	377
51	@atony	904	1382	514	75	70
52	@wuxianlin	902	1793	15	1	0
53	@Time_	901	1730	92	1	0
54	@LetITFly	896	1791	3	3	1
55	@noear	893	1206	725	4	5
56	@liubaoyua	884	1408	420	147	33
57	@Kanmurimori	883	402	1502	994	122
58	@QQ2223274676	848	33	2064	82	3
59	@tyzrj766	846	26	1952	654	8
60	@Dr_Pure	841	290	1714	118	79
61	@小李熹熹	841	1665	21	9	0
62	@虎小八	839	609	1209	640	4
63	@tieaa	838	681	703	2640	259
64	@潇湘夜雨缘	837	1513	174	137	6
65	@一字	828	42	1988	129	103
66	@寒歌	808	1244	464	11	1
67	@martincz	795	1526	79	4	4
68	@初音是谁	791	292	1497	564	73
69	@Leon连续	789	1563	17	13	2
70	@haseoxth	787	74	1843	154	66
71	@囧机油aprilone	783	116	707	5536	0
72	@solovid	781	21	1911	70	41
73	@风居住的街道	774	1432	82	324	1
74	@八雲紫	769	386	1438	3	59
75	@iVanilla	756	529	1227	11	6
76	@zfj012	753	1188	200	996	2
77	@少侠就是我啊	751	102	1610	700	18
78	@一纸希壁纸控	750	642	1069	20	2
79	@我是笑话	745	200	1573	193	49
80	@Android_L_User	739	1236	303	2	8
81	@郁闷人	731	378	1344	61	10
82	@UBIKS	723	897	665	96	83
83	@苏阿墨	718	23	140	8134	0
84	@安卓大帝	717	574	1075	0	10
85	@mooooo	712	111	1631	43	56
86	@xyphillipyx	698	1220	216	15	24
87	@yuki918	689	1172	258	0	3
88	@n5202853	682	1305	5	346	9
89	@丿魸	680	101	1489	409	81
90	@chendeshen	677	18	86	7924	4
91	@lqmouse	674	6	221	7292	0
92	@Misaka9903	664	1163	167	195	6
93	@七曜之律	663	327	1138	528	128
94	@酷宇小编	662	33	1581	167	1
95	@gujiangjiang	659	39	1596	19	24
96	@fairyex	658	1250	82	2	2
97	@Resume	654	941	456	3	56
98	@蓝莓味绿茶	653	966	422	25	9
99	@Kiriya	653	160	1306	631	15
100	@zjszjs	648	23	1130	2311	0

我是第36位，哈哈。

如何在数据库中查询指定用户的评分情况？

SELECT
    *
FROM
    (SELECT
        @rownum:=@rownum+1 AS '#',
    id, name, fan, feed, app, find,
  	  FLOOR(fan * 0.5 + feed * 0.4 + app * 0.08 + find * 0.02) AS 'score'
    FROM
        user, (SELECT @rownum:=0) temp
    WHERE
       fan > 0 OR feed > 0 OR app > 0 OR find > 0
    ORDER BY
  	  score DESC
     ) stats
 WHERE
     name = 'xxx';

在线速查（服务将于2017年06月关闭）： https://coolapkuserstats.by-syk.com

License

Copyright 2017 By_syk

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at

   http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.

Cheap and reliable Node.js hosting starts at $3/month, and $1/month static HTML hosting

by-syk / CoolapkUserStats