Skip to content

📖 爬取 Stackoverflow 100万 条问答并简单分析

License

Notifications You must be signed in to change notification settings

zzlzero/stackoverflow-spider

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

25 Commits
 
 
 
 
 
 
 
 

Repository files navigation

爬取 Stackoverflow 100万条问答

作为一个热爱编程的大学生,怎么能不知道面向stackoverflow编程呢。

打开stackoverflow主页,在questions页面下选择按vote排序,爬取前20000页,每页将问题数量设置为50,共100W条,(实际上本来是想爬完1300W条的,但100W条后面问题基本上都只有1个或0个回答,那就选取前100W就好吧)

对爬取数据进行简单分析

降序排列了这100W条数据的votes数,生成折线图

Votes折线图
2k后的问题的votes数基本上就已经在400以下了,接着后面的就基本上是贴地飞行了
votes数最多 : Why is it faster to process a sorted array than an unsorted array?

votes数的连续分布情况

votes甘特图
可见最多的还是集中在1-2K之间,从6k开始基本上就断层了

降序排列了这100W条数据的answers数,生成折线图

answers折线图
很明显2k之后的answers数基本上就小于20条了
answers数最多: What is the best comment in source code you have ever encountered? [closed]

answers数的连续分布情况

answers甘特图
150后也就断层了,实际上能达到这样的回答数极少

降序排列了这100W条数据的views数,生成折线图

views折线图
最高达到了4.5m,10000以后的基本上就不足3000了
views数最多: How to undo last commit(s) in Git?

views数的连续分布情况

views甘特图

再看看votes,views,answers三者的散点图对应情况

votes - views

votes-views散点图

votes - answers

votes-answers散点图

views - answers

views-answers散点图

总的来说,这三者对应关系类似于一个金字塔。三个图基本上都是左下角靠近原点的区域被填满,也就是说绝对大部分的问题的votes,answers和views都是属于最下层的。高质量活跃的问题是处于金字塔顶端的。三者的最高数好像也没特别明显的对应关系,且三者的最高数都不是同一个问题。

根据所有问题的tags提取出总量前200的关键词(前50条如下),第1名是c#,python排在第5

('c#', 94614),
('java', 93244),
('javascript', 76722),
('android', 69321),
('python', 62502),
('c++', 58173),
('php', 42596),
('ios', 37773),
('jquery', 37405),
('.net', 36180),
('html', 28536),
('css', 26174),
('c', 24699),
('objective-c', 23253),
('iphone', 22171),
('ruby-on-rails', 20143),
('sql', 19171),
('asp.net', 18060),
('mysql', 17559),
('ruby', 16397),
('r', 15670),
('git', 13139),
('linux', 13080),
('asp.net-mvc', 12857),
('angularjs', 12606),
('sql-server', 12473),
('node.js', 12212),
('django', 11576),
('arrays', 11006),
('algorithm', 10959),
('wpf', 10631),
('performance', 10619),
('xcode', 10613),
('string', 10426),
('windows', 10132),
('eclipse', 10117),
('scala', 9942),
('regex', 9685),
('multithreading', 9601),
('json', 9266),
('swift', 8950),
('c++11', 8939),
('haskell', 8823),
('osx', 8159),
('visual-studio', 8140),
('html5', 7627),
('database', 7567),
('xml', 7478),
('spring', 7464),
('unit-testing', 7253),
('bash', 6825)

这样看好像不太直观,所以就把它根据词频生成了词云

词云

因为是用python写的爬虫,所以重点来分析下Python类的问答

votes数前10

answers数前10

views数前10

三者的前十中有两个问题是完全重叠的,分别是

欢迎forkstar

About

📖 爬取 Stackoverflow 100万 条问答并简单分析

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Python 100.0%