妹子图网站 2018 年年度报告
Tweets
21 minutes read (About 3133 words) 0 visits

妹子图网站 2018 年年度报告

2018 年元旦的那个夜晚我就在和丁文亮一起爬妹子图网站。到今年，我也算是陪伴了妹子图这个网站一整年了，一年来是闲着没事就爬爬里面的图片。现在爬起图片网站来是毫无压力了。既然年终了，我就帮妹子图网站来个年度报告吧！

所以这个时候要在这里挂个警示牌了：

友情提示：本文内容少儿不宜。

首先妹子图网站的地址是：妹子图电脑版，这个网站上有总页数：

但是观察这个网站的封面图，你会发现只有标题、日期和浏览量，没有该套图的分类。

而这个网站的手机版的地址是：妹子图手机版，这个手机版的网站的封面上有标题、日期、浏览量和分类。所以我们主要是爬所有套图的这四个变量。

下面就可以开始爬了。

首先我们从妹子图电脑版上爬取总页数：

R
1
2
3
4
5
6
7
8
9
10
11
library(rvest)

# 第一页：https://www.mzitu.com/page/1/
# 不过这个网站爬套图的分类比较麻烦（要点进去链接才会显示套图分类），
# 但是这个网站的套图分类就显示在封面上，所以爬这个：https://m.mzitu.com/

# 不过页码还是爬https://www.mzitu.com/比较容易。
(page_num <- read_html('https://www.mzitu.com/') %>%
    html_nodes(xpath = '/html/body/div[2]/div[1]/div[2]/nav/div/a[4]') %>%
    html_text() %>%
    as.numeric())

截止今天这个网站一共是 206 页。

下面爬https://m.mzitu.com/：
第一页地址：https://m.mzitu.com/page/1/
第二页地址：https://m.mzitu.com/page/2/
先试着爬取第一页的标题、浏览次数、日期和类别，在使用 R 进行网页爬取时，我比较喜欢使用 XPath 对网页元素进行定位。所以我们先观察 XPath 的规律：

找一找 XPath 的规律：
第一幅套图的 XPath 分别是：
标题：//*[@id="content"]/article[1]/div/h2/a
日期：//*[@id="content"]/article[1]/div/div/span[2]
浏览次数：//*[@id="content"]/article[1]/div/div/span[3]
分类：//*[@id="content"]/article[1]/div/div/span[1]/a

该页最后一幅套图的 XPath 是：
标题：//*[@id="content"]/article[24]/div/h2/a
日期：//*[@id="content"]/article[24]/div/div/span[2]
浏览次数：//*[@id="content"]/article[24]/div/div/span[3]
分类：//*[@id="content"]/article[24]/div/div/span[1]/a

XPath 怎么来的呢：

可以看到 XPath 的规律很明显，一个页面有 24 组套图，一共 206 页。下面把它们爬下来：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
library(progress)
df <- data.frame(
  date = NA,
  view = NA,
  title = NA,
  link = NA,
  categroy = NA
)
pb <- progress_bar$new(total = page_num)
for(m in 1:page_num){
  pb$tick(0)
  pb$tick()
  html <- read_html(paste0('https://m.mzitu.com/page/', m, '/'))
  for(i in 1:24){
    try(df <- rbind(
      df, data.frame(
        title = html %>% html_nodes(xpath = paste0('//*[@id="content"]/article[', i, ']/div/h2/a')) %>% html_text(),
        date = html %>% html_nodes(xpath = paste0('//*[@id="content"]/article[', i, ']/div/div/span[2]')) %>% html_text(),
        view = html %>% html_nodes(xpath = paste0('//*[@id="content"]/article[', i, ']/div/div/span[3]')) %>% html_text(),
        link = html %>% html_nodes(xpath = paste0('//*[@id="content"]/article[', i, ']/div/h2/a')) %>% html_attr('href'),
        categroy = html %>% html_nodes(xpath = paste0('//*[@id="content"]/article[', i, ']/div/div/span[1]/a')) %>% html_text()
    )))
  }
}

df <- subset(df, !is.na(df$title))

由于爬取比较费时间，大概三分钟吧，所以我们先把 df 保存起来，避免重复爬取，如果你懒得自己爬了，可以下载我的爬取结果：

meizitu.rds

R
1
2
library(io)
qwrite(df, 'meizitu.rds')

整理一下数据：

R
1
2
3
4
5
6
7
8
9
10
11
library(lubridate)
df <- qread('meizitu.rds')
df <- df %>%
  mutate(
    date = as.Date(date, format = '%Y-%m-%d'),
    view = gsub(pattern = '[,次浏览]', '', view) %>% as.numeric(),
    year = year(date),
    month = month(date),
    week = wday(date)
  ) %>%
  arrange(desc(view))

先分析 2018 年的数据，首先统计每个月的浏览总次数：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
df2018 <- subset(df, df$year == 2018)
# 按月统计浏览次数
month_view <- df2018 %>%
  group_by(month) %>%
  summarise(n = sum(view))

# 绘图
library(hrbrthemes)
library(formattable)
ggplot(data = month_view) +
  geom_col(aes(x = factor(month), y = n, fill = factor(month))) +
  scale_fill_brewer(palette = 'Set3') +
  scale_x_discrete(
    breaks = month_view$month,
    labels = suffix(month_view$month, "月份")) +
  scale_y_continuous(
    breaks = c(0, 25000000, 50000000, 75000000),
    labels = c('0', '2500\n万次', '5000\n万次', '7500\n万次')
  ) +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  guides(fill = 'none') +
  theme(axis.title.x = element_blank()) +
  labs(y = '浏览总量',
       title = '妹子图网站各个月份的浏览量',
       subtitle = '加总每个月的套图浏览量得到的数据。',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/')

发现下半年的浏览量远不如上半年，猜想可能是下半年发图量减少了，下面统计一下各个月份的发图次数：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
month_publish <- df2018 %>%
  group_by(month) %>%
  summarise(n = length(view))

ggplot(data = month_publish) +
  geom_col(aes(x = factor(month), y = n, fill = factor(month))) +
  scale_fill_brewer(palette = 'Set3') +
  scale_x_discrete(
    breaks = month_view$month,
    labels = suffix(month_view$month, "月份")) +
  scale_y_continuous() +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  guides(fill = 'none') +
  theme(axis.title.x = element_blank()) +
  labs(y = '浏览总量',
       title = '妹子图网站各个月份的发图量',
       subtitle = '加总每个月的套图发图量得到的数据。',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/')

妹子图网站每个月的发图量很稳定，看来下半年浏览量的大幅下滑是真的网友们肾虚了！

下面再按周统计浏览量：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
week_view <- df2018 %>%
  group_by(week) %>%
  summarise(n = sum(view))

# 绘图
ggplot(data = week_view) +
  geom_col(aes(x = factor(week), y = n, fill = factor(week))) +
  scale_fill_brewer(palette = 'Set2') +
  scale_x_discrete(
    breaks = 1:7,
    labels = c("周一", "周二", "周三", "周四", "周五", "周六", "周日")
  ) +
  scale_y_continuous(
    breaks = seq(0, 80000000, by = 20000000),
    labels = c('0', '2000\n万次', '4000\n万次', '6000\n万次', '8000\n万次')
  ) +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  guides(fill = 'none') +
  theme(axis.title.x = element_blank()) +
  labs(y = '浏览总量',
       title = '妹子图网站周内各天浏览量',
       subtitle = '加总周内各天套图浏览量得到的数据。',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/')

看来宅男们看起妹子来不分周一还是周末，每天都看。

今年浏览量排名前十的套图：

R
1
2
3
4
knitr::kable(df %>%
               arrange(desc(view)) %>%
               select(c('date', 'title', 'link')) %>%
               slice(1:10))
date title link
2017-01-25 浑圆挺翘,臀控必看！性感美女 Gina 紧致水嫩的蜜桃美臀曲线撩人 https://m.mzitu.com/84151
2016-10-27 难以抗拒的朱唇翘臀酥胸美腿 性感美女佳佳情趣制服诱惑 https://m.mzitu.com/78538
2016-08-12 性感尤物夏玲蔓酥胸翘臀撩人心魄 打湿衬衫肉隐肉现 https://m.mzitu.com/71636
2016-04-02 血脉喷张！绝色香艳女子易阳巨乳摇摇欲坠 https://m.mzitu.com/61622
2016-10-12 美女秘书乔柯涵办公室里短裙肉丝大胆上演美腿诱惑 https://m.mzitu.com/77443
2016-09-28 美臀控福利图 来看蜜桃社新人伊琳巨乳天然丰满翘臀硕大圆润 https://m.mzitu.com/76128
2017-02-14 又萌又性感 黑长直少女 ELSA 电眼迷人,完美身材蜜桃般凹凸有致 https://m.mzitu.com/85264
2017-03-12 性感女神周妍希浴室湿身上演全裸诱惑 让人无穷止尽的想入非非 https://m.mzitu.com/87541
2017-01-10 爆乳厨娘惹火销魂 风骚熟女张梓柔勾住男人的心 https://m.mzitu.com/83455
2017-02-23 气质美人风情万种 性感美女伊素妍纯天然丰满圆润的 36D 美乳让人垂涎 https://m.mzitu.com/86048

下面我想画一幅词云图，看看哪些词更能吸引访客的眼球，这里需要两个词典：

stopwords.txt：停用词词典，里面包含的单词不会被分词，而是直接去除；
dictionary.txt：用户辞典，里面包含的单词不会被分开。

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 分词
library(jiebaR)
engine_s <- worker(stop_word = "stopwords.txt", user = "dictionary.txt")
df$segment <- paste(segment(df$title, engine_s), collapse = ', ')
library(tidytext)

df2018$segment <- paste(segment(df2018$title, engine_s), collapse = ', ')
df2018 <- df2018 %>%
  unnest_tokens(word, segment, token = stringr::str_split, pattern = ", ")

# 前100个热词的词云图
word_count <- df2018 %>%
  group_by(word) %>%
  summarise(n = sum(view)) %>%
  ungroup() %>%
  arrange(desc(n)) %>%
  slice(1:100)

library(rWordCloud)
d3Cloud(text = word_count$word, size = word_count$n)

还是性感女神最受大家喜爱啊！

下面开始统计 2018 年各个类别的平均浏览量：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
cat_view <- df2018 %>%
  group_by(categroy) %>%
  summarise(n = sum(view)/length(view)) %>%
  ungroup()

ggplot(data = cat_view) +
  geom_col(aes(x = factor(categroy),
               y = n,
               fill = factor(categroy))) +
  scale_fill_brewer(palette = 'PuOr') +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  guides(fill = 'none') +
  labs(x = '分类', y = '平均浏览量',
       title = '妹子图网站各个类别的平均浏览量',
       subtitle = '基于2018年的数据统计',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/')

还是都喜欢性感的！

分月比较各个月每个类别的平均浏览量：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
cat_view_by_month <- df2018 %>%
  group_by(month, categroy) %>%
  summarise(n = sum(view)/length(view)) %>%
  ungroup()

ggplot(data = cat_view_by_month) +
  geom_bar(aes(x = factor(month), y = n, fill = categroy),
           stat = 'identity', position = 'stack') +
  scale_fill_brewer("分类", palette = 'PuOr') +
  scale_x_discrete(
    breaks = month_view$month,
    labels = suffix(month_view$month, "月")) +
  scale_y_continuous(
    breaks = seq(0, 2500000, by = 500000),
    labels = suffix(seq(0, 250, by = 50), '\n万次')
  ) +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  labs(x = '月份', y = '平均浏览量',
       title = '妹子图网站各个类别的平均浏览量',
       subtitle = '基于2018年的数据统计',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/')

这样不是很方便类别之间进行比较，下面这样更容易比较：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
ggplot(data = cat_view_by_month) +
  geom_bar(aes(x = factor(month), y = n, fill = categroy),
           stat = 'identity', position = 'fill') +
  scale_fill_brewer("分类", palette = 'PuOr') +
  scale_x_discrete(
    breaks = month_view$month,
    labels = suffix(month_view$month, "月")) +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  labs(x = '月份', y = '平均浏览量',
       title = '妹子图网站各个类别的平均浏览量',
       subtitle = '基于2018年的数据统计',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/')

下面我们把所有月份的而不仅仅是 2018 年的今天分类比较：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
df$ym <- paste0(df$year, '-', df$month, '-01')
cat_view_by_month_all <- df %>%
  group_by(ym, categroy) %>%
  summarise(n = sum(view)/length(view)) %>%
  ungroup()

cat_view_by_month_all$ym <- ymd(cat_view_by_month_all$ym)

ggplot(data = cat_view_by_month_all) +
  geom_bar(aes(x = ym, y = n, fill = categroy),
           stat = 'identity', position = 'stack') +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  scale_fill_brewer("分类", palette = 'PuOr') +
  scale_y_continuous(
    breaks = seq(0, 8000000, by = 2000000),
    labels = suffix(seq(0, 800, by = 200), '\n万次')
  ) +
  labs(x = '年月', y = '平均浏览量',
       title = '妹子图网站各个类别的平均浏览量',
       subtitle = '基于全部数据统计',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/')

妹子图网站越做越糟糕哎，2017 年以来一直在走下坡路。

再统计妹子图网站的平均浏览量：

R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
mean_view <- df %>%
  group_by(ym) %>%
  summarise(n = sum(view)/length(view)) %>%
  ungroup() %>%
  arrange(ym)

mean_view$ym <- ymd(mean_view$ym)

ggplot(data = mean_view, aes(x = ym, y = n)) +
  geom_line(data = cat_view_by_month_all,
           aes(x = ym, y = n, color = categroy)) +
  geom_line(color = I('#252525')) +
  scale_color_brewer("分类", palette = 'Set2') +
  scale_y_continuous(
    breaks = seq(0, 3500000, by = 500000),
    labels = suffix(seq(0, 350, by = 50), '\n万次')
  ) +
  scale_x_date(
    breaks = c('2014-01-01', '2015-01-01', '2016-01-01',
               '2017-01-01', '2018-01-01', '2019-01-01') %>% ymd(),
    labels = c('2014年1月', '2015年1月', '2016年1月',
               '2017年1月', '2018年1月', '2019年1月')
  ) +
  geom_text(aes(x = ymd('2018-01-01'), y = 3000000, label = '总和平均\n浏览量'), family = 'STSong') +
  geom_segment(x = ymd('2017-02-10'), y = 2000000,
               xend = ymd('2017-10-01'), yend = 2800000,
               arrow = arrow(length = unit(0.1, "cm")),
               size = 0.2) +
  theme_ipsum(
    base_family = 'STSongti-SC-Bold'
  ) +
  labs(y = '月平均浏览量',
       title = '妹子图网站月平均浏览量',
       subtitle = '2013年10月～2019年1月',
       caption = '数据来源：妹子图网站\nhttps://m.mzitu.com/') +
  theme(axis.title.x = element_blank())

可以看出妹子图网站大势已去。

不过我想可能不是因为用户对妹子图网站失去了兴趣，而真实原因可能是这样的：

  1. 妹子图网站后来又推出了公众号、APP 等产品，这些东西将网站的流量分流出一部分；
  2. 妹子图网站的很大一部分流量可能不是真实用户，而是各种网络爬虫，比较妹子图网站是大家最爱爬的网站之一，然而后来妹子图网站不断升级反爬机制，导致爬取难度增加；
  3. 图片网站的竞争在加剧，很多新的图片网站涌现出来；
  4. 网络速度的提升使得用户不再 满足于图片浏览，而更多的选择浏览一些视频，所以图片不再受欢迎；
  5. 一些社交平台对妹子图网站的打击力度加剧，例如妹子图网站在微信里面是打不开的。
  6. 等等。。。

unsplash-logoAmy Shamblen

# R

Like this article? Support the author with

patchwork：组合图像最便捷的方法
我的酷狗音乐 2018 年年度报告

Comments

Follow

Links

Tag Cloud

C++ HTML JavaScript Javascript Julia Latex Markdown MySQL PHP Python R SQL Server Shiny Stata shell
欢迎加入 TidyFriday !
现在加入即可享受 8 折优惠! See: https://czxa.top/posts/34814/

Recent

Tags

C++ 2
HTML 2
JavaScript 2
Javascript 2
Julia 1
Latex 3
Markdown 5
MySQL 8
PHP 1
Python 66
R 187
SQL Server 1
Shiny 8
Stata 66
shell 8

Categories

欢迎加入 TidyFriday !
现在加入即可享受 8 折优惠! See: https://czxa.top/posts/34814/

Recent

Tags

C++ 2
HTML 2
JavaScript 2
Javascript 2
Julia 1
Latex 3
Markdown 5
MySQL 8
PHP 1
Python 66
R 187
SQL Server 1
Shiny 8
Stata 66
shell 8

Categories

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×