前几天写了一个爬虫扔到服务器上，耗时 3 天，我抓取了知乎 2908077 个用户的基础数据。这里简单分享一下数据。
数据说明
在分享数据之前，简单说一下数据的来源，也就是爬虫抓取的规则。
规则很简单，首先抓取知乎第一大 V 张佳玮关注列表里的用户，然后抓取再这些用户关注列表里面的用户，由此类推，直到抓完知乎所有的用户。
值得说明的有两点：其一，只抓取在关注列表里面的用户可以有效的过滤到三无的僵尸用户；其二，在知乎的设置中勾选了「隐私保护」的用户只能对站内用户可见，因此没有登录信息的爬虫是抓取不到其关注列表的。
从数量上来说，这份知乎用户信息应该是很全面而且有效的，因为爬虫抓取了知乎完整的关注关系链，粗略的可以认为知乎的有效用户大约是 300 W。当然，如果从个人信息维度来看，数据就显得很薄弱，因为仅仅抓取了每个用户最简单的几个基础数据。原因也很简单，因为我的初衷核心是写一个爬虫，而不是去抓取知乎的用户信息。
知乎关注人数 Top 10
首先，知乎关注人数 TOP 10 的大 V 大家都很熟悉，如下：
其中，知乎第一大 V 张佳玮的关注人数为 1248627，因为不知道里面的僵尸粉有多少，假设没有僵尸粉（这是不可能的），那么知乎平均每 3 个有效用户就有一个关注他。
他们的回到问题数量和文章数分别如下：
可以看得出来，张佳伟不管是回答数量和文章数量都远超其他 9 个大 V，确实勤奋和高产。而排名第二的李开复老师就相反了，不管是回答数量仅有 107 个，文章也只有一篇，均是垫底。但是作为知乎第二大 V ，不得不说名人效应十分明显。另外黄继新和周源情况相似，回答数量和文章文章都相对较少，但是排在第三和第四和他们作为知乎的创始人应该有很大的关系。最后不得不说一下葛巾貌似是出走过一次知乎，然后删除了很多答案，具体情况不是特别了解。
粗略的看下来，排除特殊情况，貌似关注人数和回答数量成正相关，所以想要获得更多关注的小伙伴多多回答问题吧。
关注人数
关注人数的分布如下：
可以看出，关注人数分布图是很符合社会资源分配规律的。要注意的是，我抓取的用户是在关注列表里面的，意味着他们至少有一个关注者。关注人数只有个位数的仍然占到了 83%，然后依次是 15%，2% 和 1%。而关注者超过 1W 的仅有 2586 位，占 0.09%，他们应该可以被称为知乎大 V 了。
值得一提的是，我去年春节的时候回到过一个问题「你因为睡觉太死错过什么重要的事情」可能比较搞笑或者像段子，到目前为止收获了 5.2k 的赞。我仅仅因为这个突然火了的回答，偶尔就会有小伙伴关注，当然到目前为止也只有 350 个关注者。但是，关注者超过 350 的仅仅只有 33420 个用户，只占了 1.1%，如果算上那些极度不活跃用户和僵尸用户，就仅仅这 350 个关注者还真可以排进前 1%，但是如果要前 0.1% 的话，则要求关注数要接近 1W。再次证明很像社会资源分布一样，阶梯分布十分明显，极少部分人拥有了绝大部分资源，而绝大部分人却只拥有极少的资源。
回答数量
回答数量的分布如下：
可以看到这 300W 的用户中，没有回答一个问题的用户占到了 46%，而回答问题在个位数的也占了 38%，两者加起来占了知乎 85% 的用户。而回答数量超过 1000 条的仅仅只有 739 个人 。和绝大部分大众社区一样，大部分都是吃瓜群众，只有少部分是内容的生产者。
文章数量
文章数量的分布如下：
数据很直观，没有写过文章的用户占到了 97%，再次强调他们是在关注列表里面的有效用户。而超过 10 篇的用户，仅仅只有 11478 位。还是那句话，内容生产者少数，吃瓜群众才是社区的大多数。
写在最后
虽然保存每个用户的信息很少，但是依旧还有一些信息可以挖掘，比如，用户是某个或某几个话题的优秀回答者，相关信息也有保存。但是，今天暂时就分享这么多。结论一点也不出乎意料，知乎现在就是一个以普通用户为主体的大众社区。这几乎是任何一个社区高速扩张所不能避免的结果。个人感觉，随着知乎的扩张，用户量急剧增加同时，高质量内容的比例下滑，而高质量内容的数量却没有明显的增加，其中段子、鸡汤文和情感类所占比例太大，而这些话题恰好是普通大众喜闻乐见的。我以后或许会找个机会再挖掘一下相关的数据，从数据角度证明一下。
最后，我的初衷仍然是写个爬虫而已。我爬知乎的原因仅仅是因为我能爬知乎。
