如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章-四川平武建站

新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

這篇文章給大家分享的是有關(guān)如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章的內(nèi)容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

黃龍網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)！從網(wǎng)頁設(shè)計、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、響應(yīng)式網(wǎng)站開發(fā)等網(wǎng)站項目制作，到程序開發(fā)，運營維護(hù)。創(chuàng)新互聯(lián)2013年至今到現(xiàn)在10年的時間，我們擁有了豐富的建站經(jīng)驗和運維經(jīng)驗，來保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)。

1.1. 為什么選擇「人人都是產(chǎn)品經(jīng)理」

人人都是產(chǎn)品經(jīng)理是以產(chǎn)品經(jīng)理、運營為核心的學(xué)習(xí)、交流、分享平臺，集媒體、培訓(xùn)、招聘、社群為一體，全方位服務(wù)產(chǎn)品人和運營人，成立8年舉辦在線講座500+期，線下分享會300+場，產(chǎn)品經(jīng)理大會、運營大會20+場，覆蓋北上廣深杭成都等15個城市，在行業(yè)有較高的影響力和知名度。平臺聚集了眾多BAT美團(tuán)京東滴滴360小米網(wǎng)易等知名互聯(lián)網(wǎng)公司產(chǎn)品總監(jiān)和運營總監(jiān)。選取這個社區(qū)更有代表性。

1.2. 分析內(nèi)容

分析人人都是產(chǎn)品經(jīng)理產(chǎn)品經(jīng)理欄目下的 6574 篇文章的基本情況，包括收藏數(shù)、評論數(shù)、點贊數(shù)等
發(fā)掘最受歡迎的文章及作者
分析文章標(biāo)題長度與受歡迎程度之間的關(guān)系
展現(xiàn)產(chǎn)品經(jīng)理都在看什么

1.3. 分析工具

Python 3.6
Matplotlib
WordCloud
Jieba

2. 數(shù)據(jù)抓取

使用 Python編寫的爬蟲抓取了人人都是產(chǎn)品經(jīng)理社區(qū)的產(chǎn)品經(jīng)理欄目下的所有文章并保存為csv格式，文章抓取時期為 2012年6月至 2019 年 1月 21 日，共計6574篇文章。抓取了 10 個字段信息：文章標(biāo)題、作者、作者簡介、發(fā)文時間、瀏覽量、收藏量、點贊量、評論量、正文、文章鏈接。

2.1. 目標(biāo)網(wǎng)站分析

這是要爬取的網(wǎng)頁界面，可以看到是直接加載出來的，沒有AJAX，爬取起來毫無難度。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

仔細(xì)觀察要爬取的網(wǎng)頁，我們可以看到頁面連接有規(guī)律可循，連接中page后面的參數(shù)就是頁面數(shù)，所以我們編寫爬蟲時可以直接用for循環(huán)來構(gòu)造所有頁面連接代碼如下：

1import requests
2from bs4 import BeautifulSoup
3import csv
4
5headers = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
6               'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
7               'Cache-Control': 'max-age=0',
8               'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
9               'Connection': 'keep-alive',
10               'Host': 'www.woshipm.com',
11               'Cookie' : 't=MHpOYzlnMmp6dkFJTEVmS3pDeldrSWRTazlBOXpkRjBzRXpZOU4yVkNZWWl5QVhMVXBjMU5WcnpwQ2NCQS90ZkVsZ3lTU2Z0T3puVVZFWFRFOXR1TnVrbUV2UFlsQWxuemY4NG1wWFRYMENVdDRPQ1psK0NFZGJDZ0lsN3BQZmo%3D; s=Njg4NDkxLCwxNTQyMTk0MTEzMDI5LCxodHRwczovL3N0YXRpYy53b3NoaXBtLmNvbS9XWF9VXzIwMTgwNV8yMDE4MDUyMjE2MTcxN180OTQ0LmpwZz9pbWFnZVZpZXcyLzIvdy84MCwsJUU1JUE0JUE3JUU4JTk5JUJF; Hm_lvt_b85cbcc76e92e3fd79be8f2fed0f504f=1547467553,1547544101,1547874937,1547952696; Hm_lpvt_b85cbcc76e92e3fd79be8f2fed0f504f=1547953708'
12               }
13for page_number in range(1, 549):
14page_url = "http://www.woshipm.com/category/pmd/page/{}".format(page_number)
15print('正在抓取第' + str(page_number) + '頁>>>')
16response = requests.get(url=page_url, headers=headers)

頁面連鏈接構(gòu)造完之后我們可以開始爬取文章詳情頁，提取所需要的信息，在這里用到的解析庫是BeautifulSoup，整個爬蟲非常簡單，完整代碼如下：

1#!/usr/bin/env python
2# -*- encoding: utf-8 -*-
3
4import requests
5from bs4 import BeautifulSoup
6import csv
7
8headers = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
9               'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
10               'Cache-Control': 'max-age=0',
11               'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
12               'Connection': 'keep-alive',
13               'Host': 'www.woshipm.com',
14               'Cookie' : 't=MHpOYzlnMmp6dkFJTEVmS3pDeldrSWRTazlBOXpkRjBzRXpZOU4yVkNZWWl5QVhMVXBjMU5WcnpwQ2NCQS90ZkVsZ3lTU2Z0T3puVVZFWFRFOXR1TnVrbUV2UFlsQWxuemY4NG1wWFRYMENVdDRPQ1psK0NFZGJDZ0lsN3BQZmo%3D; s=Njg4NDkxLCwxNTQyMTk0MTEzMDI5LCxodHRwczovL3N0YXRpYy53b3NoaXBtLmNvbS9XWF9VXzIwMTgwNV8yMDE4MDUyMjE2MTcxN180OTQ0LmpwZz9pbWFnZVZpZXcyLzIvdy84MCwsJUU1JUE0JUE3JUU4JTk5JUJF; Hm_lvt_b85cbcc76e92e3fd79be8f2fed0f504f=1547467553,1547544101,1547874937,1547952696; Hm_lpvt_b85cbcc76e92e3fd79be8f2fed0f504f=1547953708'
15               }
16with open('data.csv', 'w', encoding='utf-8',newline='') as csvfile:
17    fieldnames = ['title', 'author', 'author_des', 'date', 'views', 'loves', 'zans', 'comment_num','art', 'url']
18    writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
19    writer.writeheader()
20    for page_number in range(1, 549):
21        page_url = "http://www.woshipm.com/category/pmd/page/{}".format(page_number)
22        print('正在抓取第' + str(page_number) + '頁>>>')
23        response = requests.get(url=page_url, headers=headers)
24        if response.status_code == 200:
25            page_data = response.text
26            if page_data:
27                soup = BeautifulSoup(page_data, 'lxml')
28                article_urls = soup.find_all("h3", class_="post-title")
29                for item in article_urls:
30
31                    url = item.find('a').get('href')
32                    # 文章頁面解析，獲取文章標(biāo)題、作者、作者簡介、日期、瀏覽量、收藏量、點贊量、評論量、正文、文章鏈接
33                    response = requests.get(url=url, headers=headers)
34                    # time.sleep(3)
35                    print('正在抓取：' + url)
36                    # print(response.status_code)
37                    if response.status_code == 200:
38                        article = response.text
39                        # print(article)
40                        if article:
41                            try:
42                                soup = BeautifulSoup(article, 'lxml')
43                                # 文章標(biāo)題
44                                title = soup.find(class_='article-title').get_text().strip()
45                                # 作者
46                                author = soup.find(class_='post-meta-items').find_previous_siblings()[1].find('a').get_text().strip()
47                                # 作者簡介
48                                author_des = soup.find(class_='post-meta-items').find_previous_siblings()[0].get_text().strip()
49                                # 日期
50                                date = soup.find(class_='post-meta-items').find_all(class_='post-meta-item')[0].get_text().strip()
51                                # 瀏覽量
52                                views = soup.find(class_='post-meta-items').find_all(class_='post-meta-item')[1].get_text().strip()
53                                # 收藏量
54                                loves = soup.find(class_='post-meta-items').find_all(class_='post-meta-item')[2].get_text().strip()
55                                # 點贊量
56                                zans = soup.find(class_='post-meta-items').find_all(class_='post-meta-item')[3].get_text().strip()
57                                # 評論量
58                                comment = soup.find('ol', class_="comment-list").find_all('li')
59                                comment_num = len(comment)
60                                # 正文
61                                art = soup.find(class_="grap").get_text().strip()
62
63                                writer.writerow({'title':title, 'author':author, 'author_des':author_des, 'date':date, 'views':views, 'loves':int(loves), 'zans':int(zans), 'comment_num':int(comment_num), 'art':art, 'url':url})
64                                print({'title':title, 'author':author, 'author_des':author_des, 'date':date, 'views':views, 'loves':loves, 'zans':zans, 'comment_num':comment_num})
65                            except:
66                                print('抓取失敗')
67    print("抓取完畢！")

在這里說一點，評論數(shù)的爬取，觀察文章詳情頁你可以發(fā)現(xiàn)并沒有評論數(shù)，我這里是直接計算出來的，可以看到評論是嵌套在ol里面，抓起所有的li，然后就可以計算出，代碼如下：

1 # 評論量
2 comment = soup.find('ol', class_="comment-list").find_all('li')
3 comment_num = len(comment)

這樣，我們運行一下爬蟲就能夠順利爬取 594 頁的結(jié)果了，我這里一共抓取了 6574 條結(jié)果，大概也就玩了兩把吃雞就抓完了。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

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，不過這之前還需簡單地進(jìn)行一下數(shù)據(jù)的清洗、處理。

3. 數(shù)據(jù)清洗處理

首先，我們需要把csv文件轉(zhuǎn)換為 DataFrame。

1# 將csv數(shù)據(jù)轉(zhuǎn)為dataframe
2csv_file = "data.csv"
3csv_data = pd.read_csv(csv_file, low_memory=False)  # 防止彈出警告
4csv_df = pd.DataFrame(csv_data)
5print(csv_df)

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 6574 行 × 10 列。需要將 views 列更改為數(shù)值格式、date 列更改為日期格式。

1print(csv_df.shape)  # 查看行數(shù)和列數(shù)
2print(csv_df.info())  # 查看總體情況
3print(csv_df.head())  # 輸出前5行
4#運行結(jié)果
5(6574, 10)
6
7RangeIndex: 6574 entries, 0 to 6573
8Data columns (total 10 columns):
9title          6574 non-null object
10author         6574 non-null object
11author_des     6135 non-null object
12date           6574 non-null object
13views          6574 non-null object
14loves          6574 non-null int64
15zans           6574 non-null int64
16comment_num    6574 non-null int64
17art            6574 non-null object
18url            6574 non-null object
19dtypes: int64(3), object(7)
20memory usage: 513.7+ KB
21None
22                        title                   ...                                                         url
230        2018，我產(chǎn)品生涯的第二年是這樣度過的                   ...                     http://www.woshipm.com/pmd/1863343.html
241            從《啥是佩奇》提煉出的產(chǎn)品三部曲                   ...                     http://www.woshipm.com/pmd/1860832.html
252  “采坑，填坑”，項目的那些事兒（第六階段：測試驗收）                   ...                     http://www.woshipm.com/pmd/1859168.html
263             如何成為CEO信任的產(chǎn)品經(jīng)理？                   ...                     http://www.woshipm.com/pmd/1857656.html
274               如何讓程序員放下手中的刀？                   ...                     http://www.woshipm.com/pmd/1858879.html
28
29[5 rows x 10 columns]

date列更改為日期非常簡單，代碼如下：

1# 修改date列時間,并轉(zhuǎn)換為 datetime 格式
2csv_df['date'] = pd.to_datetime(csv_df['date'])

views列處理思路是增加一列，名字就叫views_num吧，我們可以觀察到views列有的數(shù)值是整數(shù)，有的則是1.7萬這種，代碼如下：

1#!/usr/bin/env python
2# -*- encoding: utf-8 -*-
3
4import pandas as pd
5import numpy as np
6import matplotlib.pyplot as plt
7import seaborn as sns
8import re
9from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
10import jieba
11import os
12from PIL import Image
13from os import path
14from decimal import *
15
16#views列處理
17def views_to_num(item):
18    m = re.search('.*?(萬)',item['views'])
19    if m:
20        ns = item['views'][:-1]
21        nss = Decimal(ns)*10000
22    else:
23        nss = item['views']
24    return int(nss)
25
26# 數(shù)據(jù)清洗處理
27def parse_woshipm():
28    # 將csv數(shù)據(jù)轉(zhuǎn)為dataframe
29    csv_file = "data.csv"
30    csv_data = pd.read_csv(csv_file, low_memory=False)  # 防止彈出警告
31    csv_df = pd.DataFrame(csv_data)
32    # print(csv_df.shape)  # 查看行數(shù)和列數(shù)
33    # print(csv_df.info())  # 查看總體情況
34    # print(csv_df.head())  # 輸出前5行
35
36    # 修改date列時間,并轉(zhuǎn)換為 datetime 格式
37    csv_df['date'] = pd.to_datetime(csv_df['date'])
38    #將views字符串?dāng)?shù)字化，增加一列views_num
39    csv_df['views_num'] = csv_df.apply(views_to_num,axis = 1)
40    print(csv_df.info())
41
42
43if __name__ == '__main__':
44    parse_woshipm()

我們再輸出一下看看各列數(shù)據(jù)類型：

1
2RangeIndex: 6574 entries, 0 to 6573
3Data columns (total 11 columns):
4title          6574 non-null object
5author         6574 non-null object
6author_des     6135 non-null object
7date           6574 non-null datetime64[ns]
8views          6574 non-null object
9loves          6574 non-null int64
10zans           6574 non-null int64
11comment_num    6574 non-null int64
12art            6574 non-null object
13url            6574 non-null object
14views_num      6574 non-null int64
15dtypes: datetime64[ns](1), int64(4), object(6)
16memory usage: 565.0+ KB
17None

可以看到數(shù)據(jù)類型已經(jīng)變成我們想要的了，下面，我們看一下數(shù)據(jù)是否有重復(fù)，如果有，那么需要刪除。

1# 判斷整行是否有重復(fù)值，如果運行結(jié)果為True,表明有重復(fù)值
2# print(any(csv_df.duplicated()))
3# 顯示True，表明有重復(fù)值，進(jìn)一步提取出重復(fù)值數(shù)量
4data_duplicated = csv_df.duplicated().value_counts()
5# print(data_duplicated)
6#運行結(jié)果
7# True
8# False
9# 6562
10# True
11# 12
12# dtype: int64
13# 刪除重復(fù)值
14data = csv_df.drop_duplicates(keep='first')
15# 刪除部分行后，index中斷，需重新設(shè)置index
16data = data.reset_index(drop=True)

然后，我們再增加兩列數(shù)據(jù)，一列是文章標(biāo)題長度列，一列是年份列，便于后面進(jìn)行分析。

1#增加標(biāo)題長度列和年份列
2data['title_length'] = data['title'].apply(len)
3data['year'] = data['date'].dt.year

以上，就完成了基本的數(shù)據(jù)清洗處理過程，針對這些數(shù)據(jù)可以開始進(jìn)行分析了。

4. 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)測型分析」「規(guī)范型分析」。「描述型分析」是用來概括、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)計方法，是這四類中最為常見的數(shù)據(jù)分析類型。通過統(tǒng)計處理可以簡潔地用幾個統(tǒng)計值來表示一組數(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

先來看一下總體情況，使用了data.describe() 方法對數(shù)值型變量進(jìn)行統(tǒng)計分析。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

mean 表示平均值，std表示標(biāo)準(zhǔn)差，從上面可以簡要得出以下幾個結(jié)論：

產(chǎn)品經(jīng)理熱愛學(xué)習(xí)，看到好的文章就收藏下來。75%的文章收藏量破百，50%的文章瀏覽量破百；
產(chǎn)品話少，對別人的文章很少會評頭論足。文章的評論數(shù)都寥寥無幾。
產(chǎn)品不愿意承認(rèn)別人比自己優(yōu)秀。絕大部分文章點贊數(shù)都是一二十個，所以程序猿們以后不要在產(chǎn)品面前吹噓技術(shù)如何了得了，產(chǎn)品是不會承認(rèn)你厲害的。

對于非數(shù)值型變量（author、date），使用 describe() 方法會產(chǎn)生另外一種匯總統(tǒng)計。

1print(data['author'].describe())
2print(data['date'].describe())
3#結(jié)果
4count      6562
5unique     1531
6top       Nairo
7freq        315
8Name: author, dtype: object
9count                    6562
10unique                   1827
11top       2015-01-29 00:00:00
12freq                       16
13first     2012-11-25 00:00:00
14last      2019-01-21 00:00:00
15Name: date, dtype: object

unique 表示唯一值數(shù)量，top 表示出現(xiàn)次數(shù)最多的變量，freq 表示該變量出現(xiàn)的次數(shù)，所以可以簡單得出以下幾個結(jié)論：

一共有1531位作者為社區(qū)的產(chǎn)品經(jīng)理欄目貢獻(xiàn)了文章，其中貢獻(xiàn)量最大的作者叫 Nairo ，貢獻(xiàn)了315篇；
在2015年1月29日欄目文章發(fā)布數(shù)最大，達(dá)到了16篇。欄目第一篇文章發(fā)布在2012年11月25日。

4.2. 不同時期文章發(fā)布的數(shù)量變化

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

從圖中可以看到，網(wǎng)站文章發(fā)布數(shù)量在2012到2015年逐年遞增，增幅很大，這可能與網(wǎng)站的知名度提高有關(guān)；2015年2季度之后比較平穩(wěn)。后面的分析代碼就不一一貼出，文末會留下代碼下載鏈接。

4.3. 文章瀏覽量 TOP10

接下來，到了我們比較關(guān)心的問題：幾萬篇文章里，到底哪些文章寫得比較好或者比較火

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

這里以閱讀量作為衡量標(biāo)準(zhǔn)，排在第一的是《小白產(chǎn)品經(jīng)理看產(chǎn)品：什么是互聯(lián)網(wǎng)產(chǎn)品》，第一名的瀏覽量遙遙領(lǐng)先于第二名，接近百萬，看來很多社區(qū)里面很多都是產(chǎn)品小白。而且看這幾篇文章標(biāo)題，貌似都是介紹什么是產(chǎn)品經(jīng)理，產(chǎn)品經(jīng)理干什么，看來社區(qū)里面初級產(chǎn)品挺多的。

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。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

從圖中可以看出，2015年是的那篇文章收藏量是最多的，達(dá)到了2000，文章內(nèi)容則是后臺產(chǎn)品設(shè)計，看來這篇文章里面干貨滿滿。

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。前面提到發(fā)文最多的是Nairo，貢獻(xiàn)了315篇，這里我們看看還有哪些比較高產(chǎn)的作者。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

可以看到第一名遙遙領(lǐng)先，是個狼人，大家可以關(guān)注一下這些優(yōu)質(zhì)作者。

4.4.2. 平均文章收藏量最多作者 TOP 10

我們關(guān)注一個作者除了是因為文章高產(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)）這個指標(biāo)，來看看文章水準(zhǔn)比較高的作者是哪些人。這里，為了避免出現(xiàn)「某作者只寫了一篇高收藏率的文章」這種不能代表其真實水準(zhǔn)的情況，我們將篩選范圍定在至少發(fā)布過 5 篇文章的作者們。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

對比這張圖和前面的發(fā)文數(shù)量排行榜，我們可以發(fā)現(xiàn)這張圖的作者均沒有上榜，相比于數(shù)量，質(zhì)量可能更重要吧。

4.5. 文章評論數(shù)最多 TOP10

說完了收藏量。下面，我們再來看看評論數(shù)量最多的文章是哪些。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

我們可以看到大部分都與初級產(chǎn)品有關(guān)，而且我們可以看到評論多，收藏量也挺多的，我們進(jìn)一步探尋兩者之間關(guān)系。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

我們可以發(fā)現(xiàn)絕大部分文章評論數(shù)和收藏量都很小。

4.6. 文章標(biāo)題長度

下面，我們再來看看文章標(biāo)題的長度和閱讀量之間有沒有什么關(guān)系。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

我們可以看到文章標(biāo)題長度在20左右時閱讀量普遍較高。

4.7. 文本分析

最后，我們從這 5 萬篇文章中的正文內(nèi)容中看看產(chǎn)品經(jīng)理都在看什么。

如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章

感謝各位的閱讀！關(guān)于“如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！

文章標(biāo)題：如何使用Python爬取人人都是產(chǎn)品經(jīng)理網(wǎng)站文章
分享鏈接：http://www.ef60e0e.cn/article/jpcpso.html

99热在线精品一区二区三区_国产伦精品一区二区三区女破破_亚洲一区二区三区无码_精品国产欧美日韩另类一区

新聞中心

1.1. 為什么選擇「人人都是產(chǎn)品經(jīng)理」

1.2. 分析內(nèi)容

1.3. 分析工具

2. 數(shù)據(jù)抓取

2.1. 目標(biāo)網(wǎng)站分析

3. 數(shù)據(jù)清洗處理

4. 描述性數(shù)據(jù)分析

4.1. 總體情況

4.2. 不同時期文章發(fā)布的數(shù)量變化

4.3. 文章瀏覽量 TOP10

4.4. 歷年文章收藏量 TOP3

4.4.1. 最高產(chǎn)作者 TOP20

4.4.2. 平均文章收藏量最多作者 TOP 10

4.5. 文章評論數(shù)最多 TOP10

4.6. 文章標(biāo)題長度

4.7. 文本分析

其他資訊