我爬取了人人都是產品經理6574篇文章,發現產品竟然在看這些
- 2019 年 11 月 13 日
- 筆記
本文轉載自公眾號:愛趣 IT
作為互聯網界的兩個對立的物種,產品汪與程序猿似乎就像一對天生的死對頭;但是在產品開發鏈條上緊密合作的雙方,只有通力合作,才能更好地推動項目發展。那麼產品經理平日裏面都在看那些文章呢?我們程序猿該如何投其所好呢?我爬取了人人都是產品經理(http://www.woshipm.com)產品經理欄目下的所有文章,看看產品經理都喜歡看什麼。
1. 分析背景
1.1. 為什麼選擇「人人都是產品經理」
人人都是產品經理是以產品經理、運營為核心的學習、交流、分享平台,集媒體、培訓、招聘、社群為一體,全方位服務產品人和運營人,成立8年舉辦在線講座500+期,線下分享會300+場,產品經理大會、運營大會20+場,覆蓋北上廣深杭成都等15個城市,在行業有較高的影響力和知名度。平台聚集了眾多BAT美團京東滴滴360小米網易等知名互聯網公司產品總監和運營總監。選取這個社區更有代表性。
1.2. 分析內容
- 分析人人都是產品經理產品經理欄目下的 6574 篇文章的基本情況,包括收藏數、評論數、點贊數等
- 發掘最受歡迎的文章及作者
- 分析文章標題長度與受歡迎程度之間的關係
- 展現產品經理都在看什麼
1.3. 分析工具
- Python 3.6
- Matplotlib
- WordCloud
- Jieba
2. 數據抓取
使用 Python編寫的爬蟲抓取了人人都是產品經理社區的產品經理欄目下的所有文章並保存為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:文章標題、作者、作者簡介、發文時間、瀏覽量、收藏量、點贊量、評論量、正文、文章鏈接。
2.1. 目標網站分析
這是要爬取的網頁界面,可以看到是直接加載出來的,沒有AJAX,爬取起來毫無難度。

仔細觀察要爬取的網頁,我們可以看到頁面連接有規律可循,連接中page後面的參數就是頁面數,所以我們編寫爬蟲時可以直接用for循環來構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)
頁面連鏈接構造完之後我們可以開始爬取文章詳情頁,提取所需要的信息,在這裡用到的解析庫是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("h2", 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!")
在這裡說一點,評論數的爬取,觀察文章詳情頁你可以發現並沒有評論數,我這裡是直接計算出來的,可以看到評論是嵌套在ol裏面,抓起所有的li,然後就可以計算出,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 頁的結果了,我這裡一共抓取了 6574 條結果,大概也就玩了兩把吃雞就抓完了。

以上,就完成了數據的獲取。有了數據我們就可以着手分析,不過這之前還需簡單地進行一下數據的清洗、處理。
3. 數據清洗處理
首先,我們需要把csv文件轉換為 DataFrame。
1# 將csv數據轉為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)
下面我們看一下數據的總體情況,可以看到數據的維度是 6574 行 × 10 列。需要將 views 列更改為數值格式、date 列更改為日期格式。
1print(csv_df.shape) # 查看行數和列數 2print(csv_df.info()) # 查看總體情況 3print(csv_df.head()) # 輸出前5行 4#運行結果 5(6574, 10) 6<class 'pandas.core.frame.DataFrame'> 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信任的產品經理? ... 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,並轉換為 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列有的數值是整數,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# 數據清洗處理 27def parse_woshipm(): 28 # 將csv數據轉為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) # 查看行數和列數 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,並轉換為 datetime 格式 37 csv_df['date'] = pd.to_datetime(csv_df['date']) 38 #將views字符串數字化,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據類型:
1<class 'pandas.core.frame.DataFrame'> 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
可以看到數據類型已經變成我們想要的了,下面,我們看一下數據是否有重複,如果有,那麼需要刪除。
1# 判斷整行是否有重複值,如果運行結果為True,表明有重複值 2# print(any(csv_df.duplicated())) 3# 顯示True,表明有重複值,進一步提取出重複值數量 4data_duplicated = csv_df.duplicated().value_counts() 5# print(data_duplicated) 6#運行結果 7# True 8# False 9# 6562 10# True 11# 12 12# dtype: int64 13# 刪除重複值 14data = csv_df.drop_duplicates(keep='first') 15# 刪除部分行後,index中斷,需重新設置index 16data = data.reset_index(drop=True)
然後,我們再增加兩列數據,一列是文章標題長度列,一列是年份列,便於後面進行分析。
1#增加標題長度列和年份列 2data['title_length'] = data['title'].apply(len) 3data['year'] = data['date'].dt.year
以上,就完成了基本的數據清洗處理過程,針對這些數據可以開始進行分析了。
4. 描述性數據分析
通常,數據分析主要分為四類: 「描述型分析」、「診斷型分析」「預測型分析」「規範型分析」。「描述型分析」是用來概括、表述事物整體狀況以及事物間關聯、類屬關係的統計方法,是這四類中最為常見的數據分析類型。通過統計處理可以簡潔地用幾個統計值來表示一組數據地集中性(如平均值、中位數和眾數等)和離散型(反映數據的波動性大小,如方差、標準差等)。
這裡,我們主要進行描述性分析,數據主要為數值型數據(包括離散型變量和連續型變量)和文本數據。
4.1. 總體情況
先來看一下總體情況,使用了data.describe() 方法對數值型變量進行統計分析。

mean 表示平均值,std表示標準差,從上面可以簡要得出以下幾個結論:
- 產品經理熱愛學習,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;
- 產品話少,對別人的文章很少會評頭論足。文章的評論數都寥寥無幾。
- 產品不願意承認別人比自己優秀。絕大部分文章點贊數都是一二十個,所以程序猿們以後不要在產品面前吹噓技術如何了得了,產品是不會承認你厲害的。
對於非數值型變量(author、date),使用 describe() 方法會產生另外一種匯總統計。
1print(data['author'].describe()) 2print(data['date'].describe()) 3#結果 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 表示唯一值數量,top 表示出現次數最多的變量,freq 表示該變量出現的次數,所以可以簡單得出以下幾個結論:
- 一共有1531位作者為社區的產品經理欄目貢獻了文章,其中貢獻量最大的作者叫 Nairo ,貢獻了315篇;
- 在2015年1月29日欄目文章發佈數最大,達到了16篇。欄目第一篇文章發佈在2012年11月25日。
4.2. 不同時期文章發佈的數量變化

從圖中可以看到,網站文章發佈數量在2012到2015年逐年遞增,增幅很大,這可能與網站的知名度提高有關;2015年2季度之後比較平穩。後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

這裡以閱讀量作為衡量標準,排在第一的是《 小白產品經理看產品:什麼是互聯網產品》,第一名的瀏覽量遙遙領先於第二名,接近百萬,看來很多社區裏面很多都是產品小白。而且看這幾篇文章標題,貌似都是介紹什麼是產品經理,產品經理幹什麼,看來社區裏面初級產品挺多的。
4.4. 歷年文章收藏量 TOP3
在了解文章的總體排名之後,我們來看看歷年的文章排名是怎樣的。這裡,每年選取了收藏量最多的 3 篇文章。


從圖中可以看出,2015年是的那篇文章收藏量是最多的,達到了2000,文章內容則是後台產品設計,看來這篇文章裏面乾貨滿滿。
4.4.1. 最高產作者 TOP20
上面,我們從收藏量指標進行了分析,下面,我們關注一下發佈文章的作者。前面提到發文最多的是Nairo,貢獻了315篇,這裡我們看看還有哪些比較高產的作者。

可以看到第一名遙遙領先,是個狼人,大家可以關注一下這些優質作者。
4.4.2. 平均文章收藏量最多作者 TOP 10
我們關注一個作者除了是因為文章高產以外,可能更看重的是其文章水準。這裡我們選擇「文章平均收藏量」(總收藏量/文章數)這個指標,來看看文章水準比較高的作者是哪些人。這裡,為了避免出現「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的情況,我們將篩選範圍定在至少發佈過 5 篇文章的作者們。

對比這張圖和前面的發文數量排行榜,我們可以發現這張圖的作者均沒有上榜,相比於數量,質量可能更重要吧。
4.5. 文章評論數最多 TOP10
說完了收藏量。下面,我們再來看看評論數量最多的文章是哪些。

我們可以看到大部分都與初級產品有關,而且我們可以看到評論多,收藏量也挺多的,我們進一步探尋兩者之間關係。

我們可以發現絕大部分文章評論數和收藏量都很小。
4.6. 文章標題長度
下面,我們再來看看文章標題的長度和閱讀量之間有沒有什麼關係。

我們可以看到文章標題長度在20左右時閱讀量普遍較高。
4.7. 文本分析
最後,我們從這 5 萬篇文章中的正文內容中看看產品經理都在看什麼。

我們可以看到設計、工作、數據、功能、需求、項目等都是產品經理們關注的東西,產品們也很辛苦啊,程序猿以後不要吐槽自己多辛苦了。
5. 小結
- 本文簡要分析了人人都是產品經理產品經理欄目下6574篇文章信息,大致了解了產品經理都在看什麼。
- 發掘了那些優秀的文章和作者,能夠產品新人指明方向。
- 告訴了程序猿與產品經理聊天時該說什麼。
- 本文尚未做深入的文本挖掘,而文本挖掘可能比數據挖掘涵蓋的信息量更大,更有價值。進行這些分析需要機器學習和深度學習的知識。
本文源代碼及詞庫後台回復 產品 即可獲取。