转载

【数据分析】工作日发文章比周末发文章访问量高？

本文是一片老文，用Python做了一个简单的数据分析，2016年1月发表在老博客上，在整理旧文的时候翻了出来，觉得有点价值，故移过来与大家分享一下。

前言

看前面有位朋友分析了一下每天某个时间发文章的访问量区别，以讨论非系统性因素对文章访问量的影响。之所以进一步讨论工作日和周末发文对文章访问量的影响，一是觉得很有意思，二是毕业设计与此有很大关系，三是觉得还是有点意义的，于是决定做一下这个工作。那么到底周末发文的访问量是不是总体来说比工作日低呢，请往下看。

工具

1.Python 3.5

2.BeautifulSoup 4.4.1

3.Requests模块

分析网页

由于之前的工作已知博客园博客展览页是要通过ajax请求换页，这里我采用了Requests模块，post一个请求即可。

payload = {"CategoryType":"SiteHome","ParentCategoryId":0,"CategoryId":808,"PageIndex":i,"ItemListActionName":"PostList"}
r = requests.post(posturl,data = payload)

这样就可以接收到第i页的博文列表的HTML内容了。

再来看一下我们要爬取的内容：

我们要爬取两个内容：发布时间与阅读量，这次我们爬取40—200页共161页的内容，并分两种情况：剔除3000以上访问量的文章以及考虑全部文章，然后要做的工作有两个：根据打扫过的数据，统计出一周周一到周日每天的文章总数与访问量总数，最后用WPS表格来制作出对比图。一提到解析网页，我毫无疑问地又想到了BeautifulSoup这款工具，简单好用，功能强大，推荐。

那么我们首先用BeautifulSoup抓出 class = post_item_foot 的 ‘发布于...’ 内容，以及抓出 class = 'article_view' 的 ‘阅读(...)’ 内容，再去除一些无用的部分，最后提取出日期三个数据y,m,d，以及阅读量，这里我们无需关心文章到底是谁发的或者具体时间。

（ps:Python 3.5下装BeautifulSoup老是不成功，后来发现有更高的版本4.4.1，就果断换了，然后一发成功，不知道什么原因）

部分代码如下：

bs = BeautifulSoup(r.text,"html.parser")           #转化成beautifulsoup对象

View = bs.findAll(attrs = {'class' : 'article_view','class' : 'post_item_foot'})  #找出两个class内容

strallview = str(View)  #转化为字符串

viewcountsmatch = re.findall('阅读/(/d+/)',strallview)   
viewdaymatch    = re.findall('发布于 ....-/d+-/d+',strallview)

得出日期三个数据以后，这里我使用蔡勒公式（Zeller Fomula）直接计算出该日是星期几。蔡勒公式函数代码如下：

defZellerFomula(y,m,d):
    if m == 1 or m == 2:
        y -= 1
        m += 12
    c = y // 100
    y = y - c * 100
    w = (c // 4) - 2 * c + (y + y // 4) + (13 * (m + 1) // 5) + d - 1
    while w < 0:
        w += 7
    w %= 7
    if w == 0:
        w += 7
    return w

然后就是简单的统计了。

这里我有一个考虑，由于日子越早的文章显然访问量总是会更高，所以为了在一定程度上抵消这种效应，我为每一页的20篇文章设置了一个权重：

weight = 1 - 0.0005 * (i - 40)

即i越大，页数越大，发布越早，访问量相应打一个折扣，这里我设置的最大折扣为92%，即第200页的文章相应的阅读量为其原来阅读量的92%，希望能稍微提升一下结果的公平性。

代码

这时候写出python代码（剔除3000+文章版本）：

import requests
import re
import urllib
from bs4 import BeautifulSoup

def ZellerFomula(y,m,d):
    if m == 1 or m == 2:
        y -= 1
        m += 12
    c = y // 100
    y = y - c * 100
    w = (c // 4) - 2 * c + (y + y // 4) + (13 * (m + 1) // 5) + d - 1
    while w < 0:
        w += 7
    w %= 7
    if w == 0:
        w += 7
    return w

f = open('keyvalue.txt','w')
posturl = 'http://www.cnblogs.com/mvc/AggSite/PostList.aspx'
daysum = [0,0,0,0,0,0,0,0,0]
count  = [0,0,0,0,0,0,0,0,0]

for i in range(40,201):
    weight = 1 - 0.0005 * (i - 40)
    
    payload = {"CategoryType":"SiteHome","ParentCategoryId":0,"CategoryId":808,"PageIndex":i,"ItemListActionName":"PostList"}
    r = requests.post(posturl,data = payload)

    bs = BeautifulSoup(r.text,"html.parser")

    View = bs.findAll(attrs = {'class' : 'article_view','class' : 'post_item_foot'})

    strallview = str(View)

    viewcountsmatch = re.findall('阅读/(/d+/)',strallview)
    viewdaymatch    = re.findall('发布于 ....-/d+-/d+',strallview)

    #print(viewcountsmatch)
    #print(viewdaymatch)
    
    for j in range(len(viewcountsmatch)):
        vcm = viewcountsmatch[j]
        vcm = re.sub('阅读/(','',vcm)
        vcm = re.sub('/)','',vcm)
        #print(vcm)
        vc = int(vcm)
        if(vc > 3000):
            continue
        vdm = viewdaymatch[j]
        vdm = re.sub('发布于 ','',vdm)
        vdm = vdm.split('-',2)
        #print(vdm)
        ans = ZellerFomula(int(vdm[0]),int(vdm[1]),int(vdm[2]))
        #print(ans)
        ass = int(weight*vc)
        #print(str(ass)+ ' ' +str(vc))
        daysum[ans] += ass
        count[ans] += 1

for i in range(1,8):
    f.write(str(daysum[i])+' ')
    f.write(str(count[i]))
    f.write('/n')
    
f.close()

这代码写了很久，主要python很久没碰也不熟悉了。

运行结果与分析

然后我们运行就可以爬了，耗时大约40+秒，结果如下：

1.剔除版本数据

每行前面是161篇文章中星期1~7的文章访问总量，后面是文章数量。不算3000+访问以上的文章总数3104篇，贡献访问量1573399。

2.未剔除版本

文章总数3220 = 161 x 20篇，贡献访问量2176232.

由上可以看出，3000+访问以上的较优质文章116篇，占比3.6%，其贡献的访问量为602833，占比27.7%，这也是预料之中的。

图表

由图可得，两种方式总体上的差距并不大，从发文数量上看，周一发文最多，可能是大家都上班了，开始新一周的工作使然。随后周二到周四发文数量略有波动，但是都差不太多，并且比周一少。到周五由于放假了，文章数量也相应减少。到周末两天发文数量就有了很大下降，这也是预料之中。

从文章访问量来看，周一达到最大，随后又以较周一低的水平波动，到周末达到低谷，一大原因也是由于文章数量的减少。

从平均访问情况来看，周一至周五的平均访问量普遍比周末稍高一点，印证了结论“工作日发文要比周末发文平均访问量多”，但是并没有多太多，其中周一达到最高峰，随后有波动，到周日有一个反弹，说明“周一效应”还是有一点的。

两幅图的有些显著的不同就是访问量来看，剔除3000+文章以后，周二的访问量有10W+的显著下降，这是否说明周二的时候高质量文章的访问在急速增长的原因呢。

补充

后来我发现光考虑篇均访问还不全面，因为周一即使篇均访问较高，但是它的文章数也是很大的，所以周一的文章必然会很快被覆盖过去，所以这里有一个性价比的问题，于是我又算了一项指标，即篇均访问与当日文章数量之比，底数越大小即文章数量越小，越晚被覆盖，曝光率越大，篇均访问越大自然带来的效应越大。所以有了下面这张图：