?不少時(shí)候，一篇文章能否得到廣泛的傳播，除了文章本身實(shí)打?qū)嵉馁|(zhì)量以外，一個(gè)好的標(biāo)題也至關(guān)重要。本文爬取了虎嗅網(wǎng)建站至今共 5 萬(wàn)條新聞標(biāo)題內(nèi)容，助你找到起文章標(biāo)題的技巧與靈感。同時(shí)，分享一些值得關(guān)注的文章和作者。

寫(xiě)在前面：由于文中有一些超鏈接，無(wú)法在公眾號(hào)打開(kāi)，建議點(diǎn)擊底部「閱讀原文」或者復(fù)制下面的博客鏈接到瀏覽器打開(kāi)，體驗(yàn)更好。https://www.makcyun.top/

一. 分析背景

1.1 為什么選擇「虎嗅」

在眾多新媒體網(wǎng)站中，「虎嗅」網(wǎng)的文章內(nèi)容和質(zhì)量還算不錯(cuò)。在「新榜」科技類公眾號(hào)排名中，它位居榜單第 3 名，還是比較受歡迎的。所以選擇爬取該網(wǎng)站的文章信息，順便從中了解一下這幾年科技互聯(lián)網(wǎng)都出現(xiàn)了哪些熱點(diǎn)信息。

「關(guān)于虎嗅」虎嗅網(wǎng)創(chuàng)辦于 2012 年 5 月，是一個(gè)聚合優(yōu)質(zhì)創(chuàng)新信息與人群的新媒體平臺(tái)。該平臺(tái)專注于貢獻(xiàn)原創(chuàng)、深度、犀利優(yōu)質(zhì)的商業(yè)資訊，圍繞創(chuàng)新創(chuàng)業(yè)的觀點(diǎn)進(jìn)行剖析與交流?；⑿峋W(wǎng)的核心，是關(guān)注互聯(lián)網(wǎng)及傳統(tǒng)產(chǎn)業(yè)的融合、明星公司的起落軌跡、產(chǎn)業(yè)潮汐的動(dòng)力與趨勢(shì)。

1.2 分析內(nèi)容

• 分析虎嗅網(wǎng) 5 萬(wàn)篇文章的基本情況，包括收藏?cái)?shù)、評(píng)論數(shù)等；
• 發(fā)掘最受歡迎和最不受歡迎的文章及作者；
• 分析文章標(biāo)題形式（長(zhǎng)度、句式）與受歡迎程度之間的關(guān)系；
• 展現(xiàn)近些年科技互聯(lián)網(wǎng)行業(yè)的熱門詞匯。

1.3 分析工具

• Python 3.6
• pyspider
• MongoDB
• Matplotlib
• WordCloud
• Jieba

2. 數(shù)據(jù)抓取

使用 pyspider 抓取了虎嗅網(wǎng)的主頁(yè)文章，文章抓取時(shí)期為 2012 年建站至 2018 年 11 月 1 日，共計(jì)約 5 萬(wàn)篇文章。抓取 了 7 個(gè)字段信息：文章標(biāo)題、作者、發(fā)文時(shí)間、評(píng)論數(shù)、收藏?cái)?shù)、摘要和文章鏈接。

2.1 目標(biāo)網(wǎng)站分析

這是要爬取的 網(wǎng)頁(yè)界面，可以看到是通過(guò) AJAX 加載的。

右鍵打開(kāi)開(kāi)發(fā)者工具查看翻頁(yè)規(guī)律，可以看到 URL 請(qǐng)求是 POST 類型，下拉到底部查看 Form Data，表單需提交參數(shù)只有 3 項(xiàng)。經(jīng)嘗試， 只提交 page 參數(shù)就能成功獲取頁(yè)面的信息，其他兩項(xiàng)參數(shù)無(wú)關(guān)緊要，所以構(gòu)造分頁(yè)爬取非常簡(jiǎn)單。

接著，切換選項(xiàng)卡到 Preview 和 Response 查看網(wǎng)頁(yè)內(nèi)容，可以看到數(shù)據(jù)都位于 data 字段里。total_page 為 2004，表示一共有 2004 頁(yè)的文章內(nèi)容，每一頁(yè)有 25 篇文章，總共約 5 萬(wàn)篇，也就是我們要爬取的數(shù)量。

以上，我們就找到了所需內(nèi)容，接下來(lái)可以開(kāi)始構(gòu)造爬蟲(chóng)，整個(gè)爬取思路比較簡(jiǎn)單。之前我們也練習(xí)過(guò)這一類 Ajax 文章的爬取，可以參考：

做 PPT 沒(méi)靈感？澎湃網(wǎng) 1500 期信息圖送給你

2.2 pyspider 介紹

和之前文章不同的是，這里我們使用一種新的工具來(lái)進(jìn)行爬取，叫做：pyspider 框架。由國(guó)人 binux 大神開(kāi)發(fā)，GitHub Star 數(shù)超過(guò) 12 K，足以證明它的知名度。可以說(shuō)，學(xué)習(xí)爬蟲(chóng)不能不會(huì)使用這個(gè)框架。

網(wǎng)上關(guān)于這個(gè)框架的介紹和實(shí)操案例非常多，這里僅簡(jiǎn)單介紹一下。

我們之前的爬蟲(chóng)都是在 Sublime 、PyCharm 這種 IDE 窗口中執(zhí)行的，整個(gè)爬取過(guò)程可以說(shuō)是處在黑箱中，內(nèi)部運(yùn)行的些細(xì)節(jié)并不太清楚。而 pyspider 一大亮點(diǎn)就在于提供了一個(gè)可視化的 WebUI 界面，能夠清楚地查看爬蟲(chóng)的運(yùn)行情況。

pyspider 的架構(gòu)主要分為 Scheduler（調(diào)度器）、Fetcher（抓取器）、Processer（處理器）三個(gè)部分。Monitor（監(jiān)控器）對(duì)整個(gè)爬取過(guò)程進(jìn)行監(jiān)控，Result Worker（結(jié)果處理器）處理最后抓取的結(jié)果。

該框架比較容易上手，網(wǎng)頁(yè)右邊是代碼區(qū)，先定義類（Class）然后在里面添加爬蟲(chóng)的各種方法（也可以稱為函數(shù)），運(yùn)行的過(guò)程會(huì)在左上方顯示，左下方則是輸出結(jié)果的區(qū)域。

這里，分享幾個(gè)不錯(cuò)的教程以供參考：

• 官方主頁(yè)：http://docs.pyspider.org/en/latest/
• pyspider 爬蟲(chóng)原理剖析：http://python.jobbole.com/81109/
• pyspider 爬淘寶圖案例實(shí)操：https://cuiqingcai.com/2652.html

安裝好該框架并大概了解用法后，下面我們可以就開(kāi)始爬取了。

2.3 抓取數(shù)據(jù)

CMD 命令窗口執(zhí)行：pyspider all 命令，然后瀏覽器輸入：http://localhost:5000/ 就可以啟動(dòng) pyspider 。

點(diǎn)擊 Create 新建一個(gè)項(xiàng)目，Project Name 命名為：huxiu，因?yàn)橐廊〉?URL 是 POST 類型，所以這里可以先不填寫(xiě)，之后可以在代碼中添加，再次點(diǎn)擊 Creat 便完成了該項(xiàng)目的新建。

新項(xiàng)目建立好后會(huì)自動(dòng)生成一部分模板代碼，我們只需在此基礎(chǔ)上進(jìn)行修改和完善，然后就可以運(yùn)行爬蟲(chóng)項(xiàng)目了?，F(xiàn)在，簡(jiǎn)單梳理下代碼編寫(xiě)步驟。

這里，首先定義了一個(gè) Handler 主類，整個(gè)爬蟲(chóng)項(xiàng)目都主要在該類下完成。 接著，可以將爬蟲(chóng)基本的一些基本配置，比如：Headers、代理等設(shè)置寫(xiě)在下面的 crawl_config 屬性中。

如果你還沒(méi)有習(xí)慣從函數(shù)（def）轉(zhuǎn)換到類（Class）的代碼寫(xiě)法，那么需要先了解一下類的相關(guān)知識(shí)，之后我也會(huì)單獨(dú)用一篇文章介紹一下。

下面的 on_start() 方法是程序的入口，也就是說(shuō)程序啟動(dòng)后會(huì)首先從這里開(kāi)始運(yùn)行。首先，我們將要爬取的 URL傳入 crawl() 方法，同時(shí)將 URL 修改成虎嗅網(wǎng)的：https://www.huxiu.com/v2_action/article_list。

由于 URL 是 POST 請(qǐng)求，所以我們還需要增加兩個(gè)參數(shù)：method 和 data。method 表示 HTTP 請(qǐng)求方式，默認(rèn)是 GET，這里我們需要設(shè)置為 POST；data 是 POST 請(qǐng)求表單參數(shù)，只需要添加一個(gè) page 參數(shù)即可。

接著，通過(guò) callback 參數(shù)定義一個(gè) index_page() 方法，用來(lái)解析 crawl() 方法爬取 URL 成功后返回的 Response 響應(yīng)。在后面的 index_page() 方法中，可以使用 PyQuery 提取響應(yīng)中的所需內(nèi)容。

具體提取方法如下：

這里，網(wǎng)頁(yè)返回的 Response 是 json 格式，待提取的信息存放在其中的 data 鍵值中，由一段 HTML 代碼構(gòu)成。我們可以使用 response.json[‘data’] 獲取該 HTML 信息，接著使用 PyQuery 搭配 CSS 語(yǔ)法提取出文章標(biāo)題、鏈接、作者等所需信息。這里使用了列表生成式，能夠精簡(jiǎn)代碼并且轉(zhuǎn)換為方便的 list 格式，便于后續(xù)存儲(chǔ)到 MongoDB 中。

我們輸出并查看一下第 2 頁(yè)的提取結(jié)果：

可以看到，成功得到所需數(shù)據(jù)，然后就可以保存了，可以選擇輸出為 CSV、MySQL、MongoDB 等方式，這里我們選擇保存到 MongoDB 中。

上面，定義了一個(gè) on_result() 方法，該方法專門用來(lái)獲取 return 的結(jié)果數(shù)據(jù)。這里用來(lái)接收上面 index_page() 返回的 data 數(shù)據(jù)，在該方法里再定義一個(gè)存儲(chǔ)到 MongoDB 的方法就可以保存到 MongoDB 中。

關(guān)于數(shù)據(jù)如何存儲(chǔ)到 MongoDB 中，我們?cè)谥暗囊黄恼轮杏羞^(guò)介紹，如果忘記了可以回顧一下。

下面，我們來(lái)測(cè)試一下整個(gè)爬取和存儲(chǔ)過(guò)程。點(diǎn)擊左上角的 run 就可以順利運(yùn)行單個(gè)網(wǎng)頁(yè)的抓取、解析和存儲(chǔ)，結(jié)果如下：

上面完成了單頁(yè)面的爬取，接下來(lái)，我們需要爬取全部 2000 余頁(yè)內(nèi)容。

需要修改兩個(gè)地方，首先在 on_start() 方法中將 for 循環(huán)頁(yè)數(shù) 3 改為 2002。改好以后，如果我們直接點(diǎn)擊 run ，會(huì)發(fā)現(xiàn)還是只能爬取第 2 頁(yè)的結(jié)果。

這是因?yàn)?，pyspider 以 URL的 MD5 值作為 唯一 ID 編號(hào)，ID 編號(hào)相同的話就視為同一個(gè)任務(wù)，便不會(huì)再重復(fù)爬取。由于 GET 請(qǐng)求的 分頁(yè)URL 通常是有差異的，所以 ID 編號(hào)會(huì)不同，也就自然能夠爬取多頁(yè)。但這里 POST 請(qǐng)求的分頁(yè) URL 是相同的，所以爬完第 2 頁(yè)，后面的頁(yè)數(shù)便不會(huì)再爬取。

那有沒(méi)有解決辦法呢？ 當(dāng)然是有的，我們需要重新寫(xiě)下 ID 編號(hào)的生成方式，方法很簡(jiǎn)單，在 on_start() 方法前面添加下面 2 行代碼即可：

這樣，我們?cè)冱c(diǎn)擊 run 就能夠順利爬取 2000 頁(yè)的結(jié)果了，我這里一共抓取了 49,996 條結(jié)果，耗時(shí) 2 小時(shí)左右完成。

以上，就完成了數(shù)據(jù)的獲取。有了數(shù)據(jù)我們就可以著手分析，不過(guò)這之前還需簡(jiǎn)單地進(jìn)行一下數(shù)據(jù)的清洗、處理。

三. 數(shù)據(jù)清洗處理

首先，我們需要從 MongoDB 中讀取數(shù)據(jù)，并轉(zhuǎn)換為 DataFrame。

下面我們看一下數(shù)據(jù)的總體情況，可以看到數(shù)據(jù)的維度是 49996 行 × 8 列。發(fā)現(xiàn)多了一列無(wú)用的 _id 需刪除，同時(shí) name 列有一些特殊符號(hào)，比如? 需刪除。另外，數(shù)據(jù)格式全部為 Object 字符串格式，需要將 comment 和 favorites 兩列更改為數(shù)值格式、 write_time 列更改為日期格式。

代碼實(shí)現(xiàn)如下：

下面，我們看一下數(shù)據(jù)是否有重復(fù)，如果有，那么需要?jiǎng)h除。

然后，我們?cè)僭黾觾闪袛?shù)據(jù)，一列是文章標(biāo)題長(zhǎng)度列，一列是年份列，便于后面進(jìn)行分析。

以上，就完成了基本的數(shù)據(jù)清洗處理過(guò)程，針對(duì)這 9 列數(shù)據(jù)可以開(kāi)始進(jìn)行分析了。

四. 描述性數(shù)據(jù)分析

通常，數(shù)據(jù)分析主要分為四類： 「描述型分析」、「診斷型分析」、「預(yù)測(cè)型分析」、「規(guī)范型分析」。

「描述型分析」是用來(lái)概括、表述事物整體狀況以及事物間關(guān)聯(lián)、類屬關(guān)系的統(tǒng)計(jì)方法，是這四類中最為常見(jiàn)的數(shù)據(jù)分析類型。通過(guò)統(tǒng)計(jì)處理可以簡(jiǎn)潔地用幾個(gè)統(tǒng)計(jì)值來(lái)表示一組數(shù)據(jù)地集中性（如平均值、中位數(shù)和眾數(shù)等）和離散型（反映數(shù)據(jù)的波動(dòng)性大小，如：方差、標(biāo)準(zhǔn)差等。）

這里，我們主要進(jìn)行描述性分析，數(shù)據(jù)主要為數(shù)值型數(shù)據(jù)（包括離散型變量和連續(xù)型變量）和文本數(shù)據(jù)。

4.1 總體情況

先來(lái)看一下總體情況：

這里，使用了 data.describe() 方法對(duì)數(shù)值型變量進(jìn)行統(tǒng)計(jì)分析。從上面可以簡(jiǎn)要得出以下幾個(gè)結(jié)論：

• 讀者的評(píng)論和收藏?zé)崆槎疾凰闾?/strong>。大部分文章（75 %）的評(píng)論數(shù)量為十幾條，收藏?cái)?shù)量不過(guò)幾十個(gè)。這和一些微信大 V 公眾號(hào)動(dòng)輒百萬(wàn)級(jí)閱讀、數(shù)萬(wàn)級(jí)評(píng)論和收藏量相比，虎嗅網(wǎng)的確相對(duì)小眾一些。不過(guò)也正是因?yàn)樾”?，也才深得部分人的喜歡。
• 評(píng)論數(shù)最多的文章有 2376 條，收藏?cái)?shù)最多的文章有 1113 個(gè)收藏量，說(shuō)明還是有一些潛在的比較火或者質(zhì)量比較好的文章。
• 最長(zhǎng)的文章標(biāo)題長(zhǎng)達(dá) 224 個(gè)字，大部分文章標(biāo)題長(zhǎng)度在 20 來(lái)個(gè)字左右，所以標(biāo)題最好不要太長(zhǎng)或過(guò)短。

發(fā)現(xiàn)兩個(gè)有意思的地方：第一，文章標(biāo)題都比較短小精煉。第二，文章收藏量雖然比較高，但評(píng)論數(shù)都不多，猜測(cè)這是因?yàn)椤?strong>大家都喜歡做伸手黨？

4.4 歷年文章收藏量 TOP3

在了解文章的總體排名之后，我們來(lái)看看歷年的文章排名是怎樣的。這里，每年選取了收藏量最多的 3 篇文章。

可以看到，文章收藏量基本是逐年遞增的，但 2015 年的 3 篇文章的收藏量卻是最高的，包攬了總排名的前 3 名，不知道這一年的文章有什么特別之處。

以上只羅列了一小部分文章的標(biāo)題，可以看到標(biāo)題起地都蠻有水準(zhǔn)的。關(guān)于標(biāo)題的重要性，有這樣通俗的說(shuō)法：「一篇好文章，標(biāo)題占一半」，一個(gè)好的標(biāo)題可以大大增強(qiáng)文章的傳播力和吸引力。文章標(biāo)題雖只有短短數(shù)十字，但要想起好，里面也是很有很多技巧的。

好在，這里提供了 5 萬(wàn)個(gè)標(biāo)題可供參考。代碼實(shí)現(xiàn)如下：

4.4.1 最高產(chǎn)作者 TOP20

上面，我們從收藏量指標(biāo)進(jìn)行了分析,下面，我們關(guān)注一下發(fā)布文章的作者（個(gè)人/媒體）。前面提到發(fā)文最多的是虎嗅官方，有一萬(wàn)多篇文章，這里我們篩除官媒，看看還有哪些比較高產(chǎn)的作者。

可以看到，前 20 名作者的發(fā)文量差距都不太大。發(fā)文比較多的有「娛樂(lè)資本論」、「Eastland」、「發(fā)條橙子」這類媒體號(hào)；也有虎嗅官網(wǎng)團(tuán)隊(duì)的作者：發(fā)條橙子、周超臣、張博文等；還有部分獨(dú)立作者：假裝FBI、孫永杰等。可以嘗試關(guān)注一下這些高產(chǎn)作者。

代碼實(shí)現(xiàn)如下：

4.4.2 平均文章收藏量最多作者 TOP 10

我們關(guān)注一個(gè)作者除了是因?yàn)槲恼赂弋a(chǎn)以外，可能更看重的是其文章水準(zhǔn)。這里我們選擇「文章平均收藏量」（總收藏量/文章數(shù)）這個(gè)指標(biāo)，來(lái)看看文章水準(zhǔn)比較高的作者是哪些人。

這里，為了避免出現(xiàn)「某作者只寫(xiě)了一篇高收藏率的文章」這種不能代表其真實(shí)水準(zhǔn)的情況，我們將篩選范圍定在至少發(fā)布過(guò) 5 篇文章的作者們。

可以看到，前 10 名作者包括：遙遙領(lǐng)先的 重讀、兩位高產(chǎn)又有質(zhì)量的 辯手李慕陽(yáng) 和 飯統(tǒng)戴老板 ，還有大眾比較熟悉的 高曉松、寧南山等。

如果你將這份名單和上面那份高產(chǎn)作者名單進(jìn)行對(duì)比，會(huì)發(fā)現(xiàn)他們沒(méi)有出現(xiàn)在這個(gè)名單中。相比于數(shù)量，質(zhì)量可能更重要吧。

下面，我們就來(lái)看看排名第一的 重讀 都寫(xiě)了哪些高收藏量文章。

居然寫(xiě)的都是清一色關(guān)于馬老板家的文章。

了解了前十名作者之后，我們順便也看看那些處于最后十名的都是哪些作者。

一對(duì)比，就能看到他們的文章收藏量就比較寒磣了。尤其好奇最后一位作者 Yang Yemeng ，他寫(xiě)了 7 篇文章，竟然一個(gè)收藏都沒(méi)有。

來(lái)看看他究竟寫(xiě)了些什么文章。原來(lái)寫(xiě)的全都是英文文章，看來(lái)大家并不太鐘意閱讀英文類的文章啊。

具體實(shí)現(xiàn)代碼：

4.5 文章評(píng)論數(shù)最多 TOP10

說(shuō)完了收藏量。下面，我們?cè)賮?lái)看看評(píng)論數(shù)量最多的文章是哪些。

基本上都是和 三星 有關(guān)的文章，這些文章大多來(lái)自 2014 年，那幾年 三星 好像是挺火的，不過(guò)這兩年國(guó)內(nèi)基本上都見(jiàn)不到三星的影子了，世界變化真快。

發(fā)現(xiàn)了兩個(gè)有意思的現(xiàn)象。

• 第一，上面關(guān)于 三星 和前面 阿里 的這些批量文章，它們「霸占」了評(píng)論和收藏榜，結(jié)合知乎上曾經(jīng)的一篇關(guān)于介紹虎嗅這個(gè)網(wǎng)站的文章：虎嗅網(wǎng)其實(shí)是這樣的 ，貌似能發(fā)現(xiàn)些微妙的事情。
• 第二，這些文章評(píng)論數(shù)和收藏?cái)?shù)兩個(gè)指標(biāo)幾乎呈極端趨勢(shì)，評(píng)論量多的文章收藏量卻很少，評(píng)論量少的文章收藏量卻很多。

我們進(jìn)一步觀察下這兩個(gè)參數(shù)的關(guān)系。

可以看到，大多數(shù)點(diǎn)都位于左下角，意味著這些文章收藏量和評(píng)論數(shù)都比較低。但也存在少部分位于上方和右側(cè)的異常值，表明這些文章呈現(xiàn) 「多評(píng)論、少收藏」或者「少評(píng)論、多收藏」的特點(diǎn)。

4.6 文章標(biāo)題長(zhǎng)度

下面，我們?cè)賮?lái)看看文章標(biāo)題的長(zhǎng)度和收藏量之間有沒(méi)有什么關(guān)系。

大致可以看出兩點(diǎn)現(xiàn)象：

• 第一，收藏量高的文章，他們的標(biāo)題都比較短（右側(cè)的部分散點(diǎn)）。
• 第二，標(biāo)題很長(zhǎng)的文章，它們的收藏量都非常低（左邊形成了一條垂直線）。

看來(lái)，文章起標(biāo)題時(shí)最好不要起太長(zhǎng)的。

實(shí)現(xiàn)代碼如下：

4.7 標(biāo)題形式

下面，我們看看作者在起文章標(biāo)題的時(shí)候，在標(biāo)點(diǎn)符號(hào)方面有沒(méi)有什么偏好。

可以看到，五萬(wàn)篇文章中，大多數(shù)文章的標(biāo)題是陳述性標(biāo)題。三分之一（34.8%） 的文章標(biāo)題使用了問(wèn)號(hào)「？」，而僅有 5% 的文章用了嘆號(hào)「！」。通常，問(wèn)號(hào)會(huì)讓人們產(chǎn)生好奇，從而想去點(diǎn)開(kāi)文章；而嘆號(hào)則會(huì)帶來(lái)一種緊張或者壓迫感，使人不太想去點(diǎn)開(kāi)。所以，可以嘗試多用問(wèn)號(hào)而少用嘆號(hào)。

4.8. 文本分析

最后，我們從這 5 萬(wàn)篇文章中的標(biāo)題和摘要中，來(lái)看看虎嗅網(wǎng)的文章主要關(guān)注的都是哪些主題領(lǐng)域。

這里首先運(yùn)用了 jieba 分詞包對(duì)標(biāo)題進(jìn)行了分詞，然后用 WordCloud 做成了詞云圖，因虎嗅網(wǎng)含有「虎」字，故選取了一張老虎頭像。（關(guān)于 jieba 和 WordCloud 兩個(gè)包，之后再詳細(xì)介紹）

可以看到文章的主題內(nèi)容側(cè)重于：互聯(lián)網(wǎng)、知名公司、電商、投資這些領(lǐng)域。這和網(wǎng)站本身對(duì)外宣傳的核心內(nèi)容，即「關(guān)注互聯(lián)網(wǎng)與移動(dòng)互聯(lián)網(wǎng)一系列明星公司的起落軌跡、產(chǎn)業(yè)潮汐的動(dòng)力與趨勢(shì)，以及互聯(lián)網(wǎng)與移動(dòng)互聯(lián)網(wǎng)如何改造傳統(tǒng)產(chǎn)業(yè)」大致相符合。

實(shí)現(xiàn)代碼如下：

上面的關(guān)鍵詞是這幾年總體的概況，而科技互聯(lián)網(wǎng)行業(yè)每年的發(fā)展都是不同的，所以，我們?cè)賮?lái)看看歷年的一些關(guān)鍵詞，透過(guò)這些關(guān)鍵詞看看這幾年互聯(lián)網(wǎng)行業(yè)、科技熱點(diǎn)、知名公司都有些什么不同變化。

可以看到每年的關(guān)鍵詞都有一些相同之處，但也不同的地方：

• 中國(guó)互聯(lián)網(wǎng)、公司、蘋(píng)果、騰訊、阿里等這些熱門關(guān)鍵詞一直都是熱門，這幾家公司真是穩(wěn)地一批啊。
• 每年會(huì)有新熱點(diǎn)涌現(xiàn)：比如 2013 年的微信（剛開(kāi)始火）、2016 年的直播（各大直播平臺(tái)如雨后春筍般出現(xiàn)）、2017年的 iPhone（上市十周年）、2018年的小米（上市）。
• 不斷有新的熱門技術(shù)出現(xiàn)：2013 – 2015 年的 O2O、2016 年的 VR、2017 年的 AI 、2018 年的「區(qū)塊鏈」。這些科技前沿技術(shù)也是這幾年大家口耳相傳的熱門詞匯。

通過(guò)這一幅圖，就看出了這幾年科技互聯(lián)網(wǎng)行業(yè)、明星公司、熱點(diǎn)信息的風(fēng)云變化。

5. 小結(jié)

• 本文簡(jiǎn)要分析了虎嗅網(wǎng) 5 萬(wàn)篇文章信息，大致了解了近些年科技互聯(lián)網(wǎng)的千變?nèi)f化。
• 發(fā)掘了那些優(yōu)秀的文章和作者，能夠節(jié)省寶貴的時(shí)間成本。
• 一篇文章要想傳播廣泛，文章本身的質(zhì)量和標(biāo)題各占一半，文中的5 萬(wàn)個(gè)標(biāo)題相信能夠帶來(lái)一些靈感。
• 本文尚未做深入的文本挖掘，而文本挖掘可能比數(shù)據(jù)挖掘涵蓋的信息量更大，更有價(jià)值。進(jìn)行這些分析需要機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的知識(shí)，待后期學(xué)習(xí)后再來(lái)補(bǔ)充。

本文完。

作者：蘇克1900，公眾號(hào)：第2大腦（ID：Mocun6）

來(lái)源：https://www.makcyun.top/web_scraping_withpython9.html

本文由 @蘇克1900 授權(quán)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載

題圖來(lái)自網(wǎng)絡(luò)