知乎精华回答的非专业大数据统计
入坑知乎三年有余，数月前灵光闪现，做个网页爬虫，专爬知乎下的精华回答，作统计分析。
以下，即是此项目的分析结果，希望能从另一个角度呈现出不一样的知乎。
代码
“talk is cheap, show me the code!” －－屁话少说，放码过来。心急的朋友可以直接戳链接看源码，用的是Python3：
https://github.com/SmileXie/zhihu_crawler
算法简述
1.爬虫算法
以根话题的话题树为启始，按广度优先遍历各子话题。话题的遍历深度为3。解析各话题下的精华回答。
知乎的话题树.png
2.收集数量
目前收集的信息共计50539个精华回答。
3.分析内容
- 精华回答的点赞数，答案长度等；
- 答题用户的id，点赞数，地区，性别，学历，学校，专业等;
统计结果
１.匿名答主
50539篇精华回答中，有3308篇的回答者选择了匿名发布答案。
精华回答答主匿名情况.png
2.答主性别
男15740，女5749．是否从一个侧面印证了知乎上程序员占了很大的比例．
精华回答答主性别.png
3.答主受教育情况
按答主的所在（毕业）学校统计，TOP10的学校是：
答主学校TOP10.png
可以看出，中国的顶尖高校对知乎的精华回答贡献颇多。
按答主所在的专业统计，TOP10专业是：
答主专业TOP10.png
果然是程序猿的天堂。（上面的数据，我针对“计算机”和“金融”的数据做了处理，把“计算机”“计算机科学”“计算机科学与技术”合并为“计算机”，把“金融”和“金融学”合并为“金融”）
4.精华回答的赞同数
按精华回答所获得的赞同数落在的区间，做统计
各精华回答获得的赞同数落在的区间.png
| 赞同数区间 | 此区间内的精华回答数量 |
|---|---|
| 0~4999 | 46546 |
| 5000~9999 | 2623 |
| 10000~14999 | 713 |
| 15000~19999 | 305 |
| 20000~24999 | 154 |
| 25000~29999 | 94 |
| 30000~34999 | 44 |
| 35000~39999 | 22 |
| 40000~44999 | 16 |
| 45000~49999 | 8 |
| 50000~54999 | 4 |
| 55000~59999 | 3 |
| 60000~64999 | 3 |
| 65000~69999 | 0 |
| 70000~74999 | 2 |
| 75000~79999 | 1 |
| 80000~84999 | 0 |
| 85000~89999 | 0 |
| 90000~94999 | 1 |
| 95000~99999 | 0 |
可见，大多数精华回答获得的赞同数是处于0~4999范围内的。
目前统计到的最高票回答是这篇：《哪些素质很重要，却是读书学不来的》中肥肥猫的回答，共获得了91433个赞同。
5.回答字数
如果按以下标准将精华回答按字数分类：
| 字数 | 分类 |
|---|---|
| 0~99 | 短篇 |
| 100~999 | 中篇 |
| 1000~9999 | 长篇 |
| 10000以上 | 超长篇 |
那么，精华回答的字数分布如下：
看来各位答主对没少在知乎上码字。长篇的数量甚至超越了短篇和中篇。
目前收集到的最长字数回答是：《人究竟能抠到什么程度》中郭永年的回答，答主扬扬洒洒写了98904字，敢情是在知乎上写小说了啊。
后记
作为一个对Python和C都有使用的程序员，在开发的过程中不断地领略着这两种语言的巨大差异。
Python把对开发者友好做到了极致，牺牲了性能。
C把性能做到了极致，牺牲了对开发者的友好。
这个项目只用了500行Python，如果换作500行C，估计只能完成上述功能的1/10吧。
最后再贴一遍源码：
https://github.com/SmileXie/zhihu_crawler
下一篇：Python 迭代器与生成器