CNBlog首頁(yè)博客熱度分析

本文github地址

前言

每個(gè)博客園的園友或許都會(huì)有這種經(jīng)歷：自己辛辛苦苦，認(rèn)認(rèn)真真的寫了篇博客，然后滿心歡喜的發(fā)到了博客園首頁(yè)，當(dāng)你以為大功告成坐等點(diǎn)擊量暴表的時(shí)候，卻發(fā)現(xiàn)自己的博文根本無人問津。那將是何等的痛苦:(

不要再自我懷疑，不要再自怨自艾，博客不火，不一定是博文內(nèi)容不夠嚴(yán)謹(jǐn)深入，也不一定是你能力不足，而可能僅僅是因?yàn)槟氵x擇了錯(cuò)誤的發(fā)表時(shí)機(jī)。

本文基于博客園近3個(gè)月4000篇首頁(yè)博文，運(yùn)用大數(shù)據(jù)分析，機(jī)器學(xué)習(xí)，文本挖掘等先進(jìn)技術(shù)，深入而細(xì)致的剖析決定博客熱度的若干因素，讓您從此也能寫出精湛的技術(shù)博客，成為博客園的技術(shù)達(dá)人（做夢(mèng)到此結(jié)束...）。

技術(shù)實(shí)現(xiàn)

經(jīng)分析，博客園首頁(yè)網(wǎng)頁(yè)結(jié)構(gòu)比較簡(jiǎn)潔，通過爬蟲抓取http://www.cnblogs.com/sitehome/p/your_page_num 連接下的內(nèi)容，即可獲取所有首頁(yè)博文。本文采用的是jsoup這個(gè)Java HTML Parser進(jìn)行的網(wǎng)頁(yè)抓取。博客園頁(yè)碼只支持到200，每頁(yè)20篇，也就是最多能夠抓取4000篇首頁(yè)博客。對(duì)數(shù)據(jù)進(jìn)行清洗后存儲(chǔ)到文件，供下一步分析。

由于數(shù)據(jù)量并不大，分析數(shù)據(jù)采用的是excel表格。不要覺得low，用表格來處理小規(guī)模數(shù)據(jù)，效果不亞于數(shù)據(jù)庫(kù)。

分析結(jié)果

博友們一天之內(nèi)喜歡什么時(shí)候發(fā)博客？

哪個(gè)時(shí)間段發(fā)的博客更容易火？

我們對(duì)一天中不同時(shí)間段發(fā)表的博客進(jìn)行統(tǒng)計(jì)，然后計(jì)算每個(gè)小時(shí)內(nèi)的博客發(fā)表量，以及當(dāng)前這個(gè)小時(shí)每篇博客的平均熱度。這里的熱度是用來衡量一篇博文受歡迎程度的綜合指標(biāo)，計(jì)算公式為：

hot=(recommend*10+comment*5+view)

為避免離群點(diǎn)，當(dāng)hot值超過1600時(shí)則按1600處理。上圖中標(biāo)注的熱度（紅色線）為對(duì)文章熱度求平均之后，然后做歸一化(avg_hot/800*100%)之后的結(jié)果。

從上圖可以明顯看出，一天之內(nèi)有三個(gè)時(shí)間段大家比較愛發(fā)博客，分別是10:00左右，16:00左右和22:00左右，這分別對(duì)應(yīng)的是上午上班時(shí)間，下午上班時(shí)間，和晚上加班時(shí)間。一天內(nèi)也有三個(gè)時(shí)間段大家不怎么愛發(fā)博客，分別是1:00~7:00，12:00左右，19:00左右，分別對(duì)應(yīng)大家的睡覺時(shí)間，午飯時(shí)間和下班時(shí)間。

什么時(shí)候發(fā)的博客更容易火呢？拋開凌晨那段時(shí)間不提（因?yàn)椴┛土刻伲蠄D可以看出，早上8:00左右發(fā)的博客熱度最高，中午12:00左右和晚上22:00左右也是個(gè)熱度小高峰。

對(duì)比上圖中的藍(lán)線和紅線，我們發(fā)現(xiàn)博客發(fā)表高峰和訪問高峰（熱度評(píng)估主要基于訪問量，所以熱度表示了訪問量的趨勢(shì)）并不總是成比例。具體表現(xiàn)如下：

1. 早上8:00是一天中訪問量最高的時(shí)候，但博客發(fā)表并不是很多（上班路上大家刷刷博客？）
2. 上午10:00左右是博客發(fā)表的高峰，但訪問量卻呈下降趨勢(shì)（忙著寫自己的博客而忘記看別人的博客）
3. 中午12:00左右訪問量很高，但博客發(fā)表量卻出奇的低（吃飯的時(shí)候不寫博客，倒是可以手機(jī)刷刷博客）

大家一周之內(nèi)喜歡在哪一天發(fā)博客？

一周之內(nèi)哪一天發(fā)的博客更容易火？

我們對(duì)一周中不同天發(fā)表的博客進(jìn)行統(tǒng)計(jì)，然后計(jì)算每天的博客發(fā)表量，以及當(dāng)天每篇博客的平均熱度。

通過上圖可以看出：

1. 星期一和星期二是博客發(fā)表的熱潮（上班前兩天不但工作積極，寫博客也很積極）
2. 之后一直下降，到周六達(dá)到最低谷（終于盼來周末，誰還寫博客！）。
3. 博客熱度跟發(fā)表量基本吻合，可見工作日大家不但工作熱情高，寫博客和讀博客的熱情都不低。
4. 到了周末，寫博客的人少，看博客的人更少！
5. 周四博客閱讀量出現(xiàn)了回升，你可以幫忙想想是為什么。

上圖意味著，周末還是老老實(shí)實(shí)的出去玩吧，即使寫了博客也不會(huì)有人看的。特別是周六，千萬不要在周六發(fā)表技術(shù)博客，切記切記！

總結(jié)

經(jīng)過以上分析，我們得出結(jié)論：為了避免吃力不討好的情況，發(fā)表博客一定要認(rèn)準(zhǔn)時(shí)機(jī)。

1. 博客想要火，就不能睡懶覺，因?yàn)槟阋?:00鐘左右發(fā)表博客。
2. 更不能吃午飯，因?yàn)槟氵€要在12:00左右發(fā)表博客。
3. 當(dāng)然，為了犒勞以下忙碌一周的你，周末切記不要苦逼的寫博客，因?yàn)榧词箤懙迷僬J(rèn)真也不會(huì)有人看。
4. 周一，周二以及周四，才是您發(fā)表博客的黃道吉日。

以上四項(xiàng)基本原則，一定要牢記于心，切記不要輕易違背。否則沒有點(diǎn)擊量，你的博客還不如寫道日記本里。

未來的工作

博客熱度不僅跟發(fā)表時(shí)間有關(guān)，當(dāng)然也跟博客內(nèi)容，以及博主的個(gè)人影響力等諸多因素相關(guān)。希望各位博友能夠加入更多分析。

本文用到的所有代碼和數(shù)據(jù)，都已經(jīng)放到了博主github上，歡迎各位博友切磋。