前幾天寫了一個爬蟲扔到服務器上，耗時 3 天，我抓取了知乎 2908077 個用戶的基礎數據。這里簡單分享一下數據。
數據說明
在分享數據之前，簡單說一下數據的來源，也就是爬蟲抓取的規則。
規則很簡單，首先抓取知乎第一大 V 張佳瑋關注列表里的用戶，然后抓取再這些用戶關注列表里面的用戶，由此類推，直到抓完知乎所有的用戶。
值得說明的有兩點：其一，只抓取在關注列表里面的用戶可以有效的過濾到三無的僵尸用戶；其二，在知乎的設置中勾選了「隱私保護」的用戶只能對站內用戶可見，因此沒有登錄信息的爬蟲是抓取不到其關注列表的。
從數量上來說，這份知乎用戶信息應該是很全面而且有效的，因為爬蟲抓取了知乎完整的關注關系鏈，粗略的可以認為知乎的有效用戶大約是 300 W。當然，如果從個人信息維度來看，數據就顯得很薄弱，因為僅僅抓取了每個用戶最簡單的幾個基礎數據。原因也很簡單，因為我的初衷核心是寫一個爬蟲，而不是去抓取知乎的用戶信息。
知乎關注人數 Top 10
首先，知乎關注人數 TOP 10 的大 V 大家都很熟悉，如下：
其中，知乎第一大 V 張佳瑋的關注人數為 1248627，因為不知道里面的僵尸粉有多少，假設沒有僵尸粉（這是不可能的），那么知乎平均每 3 個有效用戶就有一個關注他。
他們的回到問題數量和文章數分別如下：
可以看得出來，張佳偉不管是回答數量和文章數量都遠超其他 9 個大 V，確實勤奮和高產。而排名第二的李開復老師就相反了，不管是回答數量僅有 107 個，文章也只有一篇，均是墊底。但是作為知乎第二大 V ，不得不說名人效應十分明顯。另外黃繼新和周源情況相似，回答數量和文章文章都相對較少，但是排在第三和第四和他們作為知乎的創始人應該有很大的關系。最后不得不說一下葛巾貌似是出走過一次知乎，然后刪除了很多答案，具體情況不是特別了解。
粗略的看下來，排除特殊情況，貌似關注人數和回答數量成正相關，所以想要獲得更多關注的小伙伴多多回答問題吧。
關注人數
關注人數的分布如下：
可以看出，關注人數分布圖是很符合社會資源分配規律的。要注意的是，我抓取的用戶是在關注列表里面的，意味著他們至少有一個關注者。關注人數只有個位數的仍然占到了 83%，然后依次是 15%，2% 和 1%。而關注者超過 1W 的僅有 2586 位，占 0.09%，他們應該可以被稱為知乎大 V 了。
值得一提的是，我去年春節的時候回到過一個問題「你因為睡覺太死錯過什么重要的事情」可能比較搞笑或者像段子，到目前為止收獲了 5.2k 的贊。我僅僅因為這個突然火了的回答，偶爾就會有小伙伴關注，當然到目前為止也只有 350 個關注者。但是，關注者超過 350 的僅僅只有 33420 個用戶，只占了 1.1%，如果算上那些極度不活躍用戶和僵尸用戶，就僅僅這 350 個關注者還真可以排進前 1%，但是如果要前 0.1% 的話，則要求關注數要接近 1W。再次證明很像社會資源分布一樣，階梯分布十分明顯，極少部分人擁有了絕大部分資源，而絕大部分人卻只擁有極少的資源。
回答數量
回答數量的分布如下：
可以看到這 300W 的用戶中，沒有回答一個問題的用戶占到了 46%，而回答問題在個位數的也占了 38%，兩者加起來占了知乎 85% 的用戶。而回答數量超過 1000 條的僅僅只有 739 個人 。和絕大部分大眾社區一樣，大部分都是吃瓜群眾，只有少部分是內容的生產者。
文章數量
文章數量的分布如下：
數據很直觀，沒有寫過文章的用戶占到了 97%，再次強調他們是在關注列表里面的有效用戶。而超過 10 篇的用戶，僅僅只有 11478 位。還是那句話，內容生產者少數，吃瓜群眾才是社區的大多數。
寫在最后
雖然保存每個用戶的信息很少，但是依舊還有一些信息可以挖掘，比如，用戶是某個或某幾個話題的優秀回答者，相關信息也有保存。但是，今天暫時就分享這么多。結論一點也不出乎意料，知乎現在就是一個以普通用戶為主體的大眾社區。這幾乎是任何一個社區高速擴張所不能避免的結果。個人感覺，隨著知乎的擴張，用戶量急劇增加同時，高質量內容的比例下滑，而高質量內容的數量卻沒有明顯的增加，其中段子、雞湯文和情感類所占比例太大，而這些話題恰好是普通大眾喜聞樂見的。我以后或許會找個機會再挖掘一下相關的數據，從數據角度證明一下。
最后，我的初衷仍然是寫個爬蟲而已。我爬知乎的原因僅僅是因為我能爬知乎。
