vczh是谁？

Vczh者，陈梓瀚也，以其自谓“造轮者”，故世称“轮兄”。Vczh于大学时即实习于微软，及出师乃履正职。初工于沪，辄转京城微软亚研院。现居西雅图，其妻陈萌萌，原属百度，随vczh之灯塔，工于google。Vczh，岭南人也，诞于1987。学于华南皇家理工。其母精于外文，喜爱雅乐，尤善教学，方三十许闻名岭南。其父亦爱雅乐，然运途数转，以其明是非善赏罚，虽中道失意，终得重任，其酬尝高于vczh。Vczh其家学渊源，天赋异禀，尚在襁褓即闻乐止泣，稍长，能识音律，虽不能言，然随乐哼唱，亦有章法，父母甚异。

因为他答题很真诚和热情，后来发现他有一个大v朋友，然后顺带关注了白如冰，然后从白如冰处关注了曾博，最后发现曾博和轮子哥千私万缕的关系，就关注了轮子哥，然后身体就一天不如一天了。8年了，原来我认识vczh整整8年了。那还是07年的时候，上大学的我也玩cppblog，经常看他的技术文章。今天才知道vczh已经在知乎如此有人气。

最近爬取了知乎1000万的用户数据，耗时一周。

使用 ElasticSearch + Kibana 实现数据存储，可视化。

数据爬取时间为 2019年7月 (3-9)日

抓到的数据大部分都是资料不完善，以下分析会过滤掉资料为空的那部分。

涉及到性别：-1：未知，0：女， 1；男

本文思路参考 这里

可以看到北京上海用户数量领跑其它城市，所有城市都是男用户稍占多一点。出现了深圳，深圳市 还有 广州，广州市，因为在知乎的个人资料中，居住地这个选项是手动填写而不是选择。

（这里由于kibana用的不熟，暂时不知道怎么把合并，欢迎知道的朋友告知）

可以看出互联网行业一骑绝尘，领先第二名一倍；而第二名计算机软件也是兄弟行业。比较有意思的是以行业划分的话，有比较多行业女性数量占优（高等教育、临床医学、创意艺术、财务、法律、基础教育、教育、广播电视、广告、培训）。而反观计算机软件、电子游戏、机械设备、电子电器、计算机硬件这些行业男性数量大幅占优。比较意外的是有这么多人从事电子游戏行业，超过了很多传统行业（当然有可能这个职业的人在知乎上比较活跃）。

有了行业分布，我们顺便再看看按照职业划分如何。与参考文章不同的是，现在知乎上学生占比最多，可能是知乎当前目标群体为学生，加大校园推广力度。这里我理解是资本入股后的营收压力，使知乎选择了这样的战略。（另外软件工程师，前端，程序员和算法工程师那夸张的男女比例是什么鬼=.=）

可以看到各高校间的差距并不是特别明显，跟现居城市相对应，北京的清北在前三占据两个席位。杭州在城市中排第三，浙大的学子功不可没。比较有意思的是 克莱登大学（“克莱登大学”原本是钱钟书先生小说《围城》里虚构的骗子学校），另外 中国传媒大学 是前50里边唯一女生数量比男生多的学校。

看完学校，我们最后来看一下专业分布。计算机相关行业占据绝对优势，我想到原因有二：近年来市场对计算机相关人才需求巨大；同时计算机相关人员玩知乎占比较大。法学在前排是让我比较意外的。

看了那么多各种类型的分布，我们来关注一些不一样的

这里列出了关注者数量前30的用户，第一知乎日报应该是知乎官方推荐的账号，张佳伟，丁香医生紧随其后。刘看山也是知乎官方账号，关注者数量似乎还在猛涨，从拉取数据到我写此文几天时间，关注数量涨了20w。轮子哥惊人的22k+回答数显得格外活跃（或许是机器人回答的，谁知道呢。另外经统计轮子哥是目前知乎上回答数量最多的）。

再来看一下被赞的数量最多的有哪些人

可以看到张佳伟，丁香医生还是前排，轮子哥屈居第三。后面又好多用户回答数量并不多，同样收获了好多赞。看看这里面有没有你关注的人吧~

再来对比一下哪些高校被赞数量最多。可以看出清北，浙大，复旦，上交，武大等Top N 学校影响力还是比较大的。另外克莱登大学很顽皮的排到的第三。

看了那么多柱状图，搞个饼图来看一下被关注者数量分布，看看自己在知乎属于什么水平

可以看到大部分知乎用户是没人关注的，如果你拥有一个以上关注者，那么恭喜你打败了75.37%的知乎用户。看来还是很多人跟我一样，是一个知乎小透明~

来一个具体的表格

数据里边有个is_active字段，看起来是一个时间戳。我猜这个字段记录的是用户最后一次登录时间，就这么拿来用咯。

这里从红色开始，逆时针依次是10天，一个月，三个月，半年，一年，两年，三年以上。

可以看出三个月内活跃用户大概占比30%，另外有30%用户近三年没登录过了。

最后我们以一张词云结束本文，大伙可以看看自己专业在图中什么位置

截止目前抓取了 9433740 条数据。今天7小时抓了不到5k条数据，数据增长已经非常缓慢了。带宽占用有10M左右，说明还是在不停的爬取，只是爬到的重复率已经很高了。余下的用户可能在不同的一片森林里，与目前爬取数据没有交集，或者根本就是0关注；也有可能数据接近爬完了。目前程序占了6G内存。今晚再观察一下，如果增长速率还是如此缓慢，明天就把它停掉了~

想了解更多爬取心路历程 请看这篇

这是我第一次搞数据爬取，不足之处 请各大神多多指导 。另外关于数据分析，各位可以想想更多不同的维度，得更有多有趣的内容。结尾附上一条抓取的数据样本。

以上，完...

---