我从腾讯那“偷了”3000万QQ用户数据，出了份很有趣的独家报告！

声明：

1、目前程序已停止运行！QQ空间也已升级访问安全机制。

2、本“分析”数据源自部分用户的公开信息，并未触及隐私内容，广大网友无需担心。

3、QQ空间会不定期发布大数据分析报告，感兴趣的朋友关注腾讯大数据官方公众号。

感谢博客园！ 转载请注明博客园地址，及作者hi@wuxinsheng.com。

各大媒体热传：

这是我近期使用C#写的一个QQ空间蜘蛛网爬虫程序。程序截止2015年10月运行2月，总共爬了1.5亿腾讯QQ用户数据，其中有4000万包含用户（QQ号，昵称，空间名称，头像，最新一条说说内容，最新说说的发表时间，空间简介，性别，生日，所在省份，城市）的详细数据。

目前已经爬到我的第7圈好友（depth=7）共3000万数据。

爬虫主程序运行界面：

爬虫程序设计：

大致设计思路是模仿工厂的生产车间，使用三大独立循环线程组（GetWaitList，CrawlerQQInfos，SaveData）。

详细设计图：

再看看，我根据这份数据生成的一些有趣的统计图吧！

内存已经爆了，不能怪我。  谁赞助台服务器吧

1、大家一般都在啥时候发说说呢？

从图中看出一天最冷门的时候是凌晨4点，这时全国正在睡觉的人最多。 大家最亢奋的是晚上10点到11点，人们都喜欢睡前看看别人的空间，发条说说。中午12点左右也有一波小高峰。

2、中国人都喜欢在几月生小孩呢？

从图中可看出1月和10月出生的人最多，4月的最少。总体来说上半年的出生率比下半年的低。分析可得，1月多是因为很多人填的是默认的1月1号。4月少，是因为中国人不喜欢4这个数字。10月出生率最高，是因为那时天气不冷不热，秋收后也不是太忙了的原因。

3、这是我目前爬取的数据人群地区分布

4、数据人群的年龄分布

如上两张图，整好和我的信息相吻合。我是湖南人，在江苏读的书，而湖南大部分人都在广东打工。所以地区分布中，这三个省整好排在前四名当中。而我又是1990年出生的，对应年龄分布图1990年的用户最多。从目前的数据来看，无论是分布地区以及年龄阶段与我的关联还非常大，随着数据量的不断增加这种关联会逐渐变小，统计图也会逐渐接近全国用户的真实情况。

5、数据人群性别分布

男比女足足多了23%的人数，我分析认为实际差距应该是不大的，但女生在设置QQ空间访问权限时普遍要比男生的高。所以我爬取的数据中男生居多。

6、下面系列图是根据一些“关键字”在说说中出现的频率统计出来的，相当有意思。

单个用户的行为是很难看出规律的，大数据的意义在于它会不断矫正那个平衡点，从而得出反应宏观现象最真实的情况。数据量越大，平衡点动荡的幅度便越小。进而能够根据当前的数据趋势预测后续的发展，为决策提供有力依据！

6.1 图说股市

下图是我通过股民所发说说中包含涨、红、开心表情等数据计算出的股民乐观指数，从图可看出乐观指数和上证指数是呈正相关的。所以股民行为数据在股市预测这块也相当值得研究。

现在我们拥有海量的互联网社交数据，如QQ的说说，sina的微博数据。我觉得这些数据拥有惊人的利用价值，这非常值得我们去研究，去挖掘。我想，用它们来做一些股市或者其它方面的分析预测是可行的，准确度应该也是非常高的。

将股票中的关键字做海量数据分析，比如会得出当日讨论股票热度排行榜。进而能得到海量讨论股票的用户，再通过市场的实际反馈找出股票上涨及下跌的正相关因子，再对这些海量数据进行分析计算得出最靠谱股票推荐大神排行榜。对这些用户分级，分优先度及抓取密度来拿数据。用这些数据分析出哪些是靠谱的股票肯定靠谱！

6.2 群众讨论最多的明星排行榜，还是很靠谱的。(我爱汪峰哥，我也爱Jay！ ---信仰在空中飘扬)

插播汪峰头条：素不相识，光听新闻的片面之词就断下结论，那是完整的真相吗？背后的故事又有谁了解多少？实在反感那些破口大骂的，更是可恶一些媒体就事三番五次的戏谑。

祝峰哥幸福，我很喜欢你的歌！

6.3 最为用户喜爱的手机品牌

6.4 人们最喜欢谈论的互联网公司，阿里之所以这么低估计是大家都喜欢叫它淘宝或者天猫吧。

6.5 QQ空间中讨论的最为频繁的社交平台排行榜。

6.6 生活的统计图

爱>恨； 开心>伤心; 笑声>叹气声； 吃货很多；  谁特么说中国不幸福了，这满满的都是正能量数据啊。

好了，其实还可以做很多其它的分析。如果大家有什么有趣的数据分析想知道的，那就给我留言吧。

技术不多说了，程序不难，多线程数据库操作却是把我搞苦了。还好，现在程序差不多稳定了。过程也是很有意思的，有空我再写个程序升级过程中的那些趣事吧。我觉得一个美妙的程序一定是高度模拟现实的，就像飞机模仿蜻蜓，雷达模仿蝙蝠一样。 这次的程序设计就是模拟的工厂的生产线。