Python爬虫数据举例分析(python,编程语言)

获取数据

打开斗鱼直播界面，连续点击翻页

Network查看异步请求XHR，找到对应的URL

成功获取到对应的URL。

https://www.douyu.com/gapi/rkc/directory/0_0/2

翻页只变动末尾的最后一个数字。

采用requests+pyquery来爬取。

部分爬虫代码如下。

defget_datas(url):data=[]doc=get_json(url)jobs=doc['data']['rl']forjobinjobs:dic={}dic['user_name']=jsonpath.jsonpath(job,'$..nn')[0]#用户名dic['user_id']=jsonpath.jsonpath(job,'$..uid')[0]#用户IDdic['room_name']=jsonpath.jsonpath(job,'$..rn')[0]#房间名dic['room_id']=jsonpath.jsonpath(job,'$..rid')[0]#房间IDdic['redu']=jsonpath.jsonpath(job,'$..ol')[0]#热度dic['c2name']=jsonpath.jsonpath(job,'$..c2name')[0]#分区dic['time']=stampToTime(time.time())data.append(dic)returndata

剩下就是连续爬取，我设置的是10分钟爬取一次。

将爬取得到的数据存入Mysql中。

#存到Mysqlfromsqlalchemyimportcreate_engineengine=create_engine('mysql+mysqldb://root:***密码***@localhost:3306/demo?charset=utf8mb4')final_result.to_sql('data_douyu',con=engine,index=False,index_label=False,if_exists='append',chunksize=1000)

连续爬取了大概七天多时间，最终得到2062万条直播数据。

数据分析

将数据导入python。

去重，其实爬虫部分已经设置去重，这里为了保险再来一次，不过事实证明确实没有重复。

因为实际爬取时间是0731下午到0808上午，为了方便后文计算，这里选取0801-0807这连续七天的直播数据。

#去重data=data[['c2name','redu','room_id','room_name','time','user_id','user_name']].drop_duplicates()#筛选时间data=data.loc[(data['time']<='2019-08-07')&(data['time']>='2019-08-01')]

我们还需要对主播按照id分组汇总。

先利用groupby分类汇总，再计算增加新列。

data_abc['av_redu']=data_abc['redu']/data_abc['time_num']data_abc['hour']=data_abc['time_num']/42#每十分钟一次，七天data_abc.head()

这样我们就又构建了一组以主播为索引的数据。

也就是说这七天之内，直播过的主播共有23万余人，那么下文让我们看看他们的生存现状吧。

数据可视化

将这23万主播按照平均直播时长和平均直播热度绘制一个散点图。

importseabornassnsimportmatplotlibasmpl#配置字体mpl.rcParams['font.sans-serif']=['SimHei']#指定默认字体mpl.rcParams['axes.unicode_minus']plt.figure(figsize=(8,8))plt.xticks(fontsize=12)plt.yticks(fontsize=12)sns.scatterplot(data_test["hour"],data_test["av_redu"],hue=data_test["c2name"])

结果如下图所示。

从上图能看出，绝大部分主播都在底部，能够成为大主播的寥寥无几，且热度较高的主播集中于上述的几个热门分区，其他分区主播发展普遍一般。

由于有20多万的主播集中在下方，很难看出他们平均直播时长的分布。

另一方面，主播分化程度较为严重，为了更直观的展现趋势，我们以1万平均热度为分界，分析不同规模的主播每天平均直播时长。

#头部主播plt.figure(figsize=(10,6))plt.xticks(fontsize=13)plt.yticks(fontsize=13)sns.distplot(data_abc.loc[(data_abc['av_redu']>10000)]["hour"],kde=True,rug=False,color='y')plt.show()

图中可以发现较多的主播每天直播时长集中在5小时左右，这5个小时的游戏并非我们平时玩的那么简单。主播直播时往往既需要全神贯注玩游戏，又要和观众一起互动交流。

而较少主播直播时长则大部分在1小时左右，不能持续直播，导致观众少；观看人数少，主播没动力，久而久之，也就难以出头，形成恶性循环。

上图中有一些异常值，即平均每日直播时长超过20小时的直播间，这样的直播大部分为“一起看”分区，可以24小时连续播放电影电视剧之类的视频，余下都是游戏或者比赛的官方频道，用来循环播放官方视频。

那么主播们大部分在什么时间直播呢？

他们的观众也是同一时间准时观看吗？

从同一时间段内主播直播与观众观看在线人数可以看出，有两个时段有差异。

一个是晚上21点后至凌晨6点前，以直播为职业的主播往往已经进行了5-6小时高强度不间断的直播，会选择后半夜好好休息一下，而将看直播作为娱乐的观众则躺在床上看到上头；

另一个时段是下午12点左右到18点，观众都正在上班上学，而很多全职主播中午起床吃饭后，正好下午开始了他们的直播。

大部分主播并非我们想象的那样，时间自由，赚钱容易。每天在线直播的主播人数以十万甚至百万为单位，但真正赢得观众喜爱和自愿刷大量礼物的事实上寥寥无几。一时的流量换不来观众永远的买账，以噱头博出位后如何用内容留住观众，是每个主播在探索的方向。

随着行业监管的加强，直播平台逐渐褪去“泡沫”，流量红利消失，回归理性。“熊猫”已经远走，行业内的竞争更加集中在剩下的头部平台之间，这些平台也更需要探索更优质的内容和更多元的发展！