掘金15W沸点简单分析(二)
一、数据预处理与入库
获取到了原始数据之后，下一步就是清洗入库。
1.1 数据模型
因为是简单分析，所以只获取话题、用户、消息三块内容。具体如下：
class Pins(object):
"""
沸点
"""
msg_id = None # 沸点ID
topic_id = None # 话题ID
topic_title = None # 话题名称
user_id = None # 用户ID
user_name = None # 用户名
msg_content = None # 沸点内容
msg_ctime = None # 沸点创建时间
msg_digg_count = 0 # 沸点点赞数
msg_comment_count = 0 # 沸点评论数
def __repr__(self):
return '<pins: %s>' % self.msg_id
1.2 数据库表创建
数据库的话，使用MySQL。因为沸点内容msg_content中含有emoji表情，所以在建表时字符集编码需要使用utf8mb4。
建表SQL语句如下：
CREATE SCHEMA `juejin` DEFAULT CHARACTER SET utf8mb4 ;
CREATE TABLE `juejin`.`pins` (
`msg_id` VARCHAR(20) NOT NULL COMMENT '消息ID',
`topic_id` VARCHAR(20) NOT NULL COMMENT '主题ID',
`topic_title` VARCHAR(16) NOT NULL COMMENT '主题名称',
`user_id` VARCHAR(20) NOT NULL COMMENT '用户ID',
`user_name` VARCHAR(32) NOT NULL COMMENT '用户昵称',
`msg_content` TEXT CHARACTER SET 'utf8mb4' NOT NULL COMMENT '消息内容',
`msg_ctime` VARCHAR(16) NOT NULL COMMENT '消息创建时间戳',
`msg_digg_count` INT(11) NOT NULL COMMENT '消息点赞数',
`msg_comment_count` INT(11) NOT NULL COMMENT '消息评论数',
`msg_createdate` DATETIME NOT NULL DEFAULT now() COMMENT '消息创建时间(同msg_ctime时间戳)',
PRIMARY KEY (`msg_id`));
1.3 原始数据的读取及入库
接上文，我们已经将所有沸点数据保存至json_data文件夹下。只需要将该文件下所有的json文件遍历读取出来，在做简单的处理，然后存入数据库即可。
示例代码如下：
def read_all_data():
"""
遍历读取所有json数据，然后入库
:return:
"""
pins_list = []
for dirpath, dirnames, filenames in os.walk('./json_data'):
filenames = sorted(filenames, key=lambda _: _[5: 9])
for filename in filenames:
filename = os.path.join('./json_data', filename)
print(filename)
with open(filename, 'r') as pins_file:
items_data = json.loads(''.join(pins_file.readlines()))['data']
for item in items_data:
pins = Pins().parse_from_item(item)
pins_list.append(pins)
insert_db([pins])
return pins_list
最终，数据库表如下图所示。
二、Superset简介
官方是这样描述的：A modern, enterprise-ready business intelligence web application.
先说下公司项目使用过程中的感受。我们主要是将配置好的图表以IFrame的形式嵌入到其他页面中，单独做图表的话是比较费时费力的。
- ①首先遇到的就是权限问题，当时为了赶进度直接对Public设置全部可读权限，但这有数据安全的隐患。
- ②Superset可以很方便的生成IFrame，但是不好的地方就是每次修改完图表后都需要更新IFrame代码。
- ③因为做的比较通用，所以丢失了很多特性，或者说很多功能是不太好实现的，比如数据下钻等。
- ④图表展示是基于
D3.js，感觉风格有些不符合国内的偏好，好在开源，可以扩展如echarts等图表。
整体来说，配置和使用还是比较方便的。毕竟是免费的，不要要求太高。
2.1 安装
根据官方文档，咱们使用OS dependencies的方式安装和使用Superset。
根据文档一步步走即可，virtualenv的使用可参考官方文档。
直接使用pip安装Superset即可，pip install apache-superset。当前最新版本为0.37.0。
最后，我们将官方示例加载如系统，superset load_examples。然后启动开发服务器即可，superset run -p 8088 --with-threads --reload --debugger 。
理论上，我们打开http://127.0.0.1:8088/superset/dashboard/births/，即可看到如下图所示：
2.2 官方文档
官方文档一定要看，http://superset.apache.org/
三、基于Superset构建图表
在制作图表前，咱们需要先制定几个目标，也就是想要从数据中获取什么主题。
我们就以下面6个主题来制作图表吧。
- 每日沸点数柱形图
- 沸点总数随时间的变化曲线图
- 沸点话题占比饼图TOP10
- 沸点发表数最多的用户TOP25
- 评论数最多的沸点TOP25
- 点赞数最多的沸点TOP25
3.0 图表制作准备工作
Superset图表的制作可以由数据库表直接生成。这里咱们选择更通用的一种方式，由SQL Lab -> SQL Editor通过SQL来直接获取目标数据。
3.0.1 新增数据库链接
格式为SLQAlchemy URI，使用过Python的同学对这款ORM肯定不会陌生。感兴趣的可以了解一下，官方文档：https://www.sqlalchemy.org/。
首次配置时，会抛出Could not load database driver: mysql异常。执行pip install mysqlclient安装mysql驱动即可。
3.1 图表制作示例
3.1.1 每日沸点数柱形图
3.1.2 沸点总数随时间的变化曲线图
3.1.3 沸点话题占比饼图TOP10
该数据统计时，将没有话题的沸点进行了排除。
3.1.4 发表数最多的用户TOP25
3.1.5 评论数最多的沸点TOP25
3.1.6 点赞数最多的沸点TOP25
不过这前两条沸点有刷赞的嫌疑。
3.2 使用已创建的图表制作Dashboard
四、后记
后续考虑对数据进行多维度、深层次的分析。如使用jieba分词+wordcloud对沸点内容关键词制作词云等。
可能的话，后台专门跑个服务对沸点数据进行定时抓取和更新，并制作数据大屏进行展示。
