Все потоки
Поиск
Написать публикацию
Обновить

Комментарии 14

Можно построить модель, которая будет предсказывать, станет ли пост популярным в зависимости от дня, даты публикации и слов в посте. Какие слова вообще влияют на популярность? :-D
Рейтинг скрыт
Да, интересно. Можно даже подкинуть масла в огонь, сказав, что половина, если не больше top-постов имеют длину = 0, т.е. картинки.
Рейтинг скрыт
О, интересно, я тоже занимался статистикой Пикабу(https://pikabu.ru/@NeAdminPikabu/saved/991371), но потом парсер поломался(несколько месяцев назад, может уже даже пол года), а времени фиксить нет, поэтому я выложил базу в паблик, кому интересно, качать тут -> pikastat.d3d.info

2'999'610 пользователей, 6'907'622 постов, 153'708'150 комментариев, ну и всякие штуки типа сообществ и прочего.

Если вдруг непонятно, какие столбцы за что отвечают, пишите, объясню)

Если кто обучит GPT-2/3, вообще цены не будет(я хотел сам, но ниасилил).

P.S. ах да, там хранится вся история всех полей с определённого момента(каждое значение, которое парсер заметил)
Рейтинг скрыт
Уже обучали github.com/mgrankin/ru_transformers правда датасет не самый лучший(литература), на реальных комментах с интернета должно получиться лучше
Рейтинг скрыт
А кто-нибудь может объяснить, что стало с политическими темами на пикабу? Раньше всякие громкие темы/скандалы (по той же Хахалевой или по депутатам сбившим кого-то) набирали кучу плюсов, а сейчас даже самое обсуждаемое и трендовое набирает по 40 рейтинга (Беларусь), при том что какие-нибудь смехуёчки по 10-12к.
Рейтинг скрыт
Они давно уже продались.
Более того, есть даже инфа (пруфов нет, к сожалению), якобы статьи, байки, смехуёчки пишут нанятые копирайтеры. Вот и посмотрим по датасету, как дела обстоят.
Рейтинг скрыт
На мой взгляд, администраторам надоела непроверенная, разжигающая политика на их сайте (они на это несколько раз жаловались) и они мало-помалу понизили вероятность поднятия в топ политических постов. Вкупе с превентивными мерами вроде бана людей с политическими постами без тэга «политика» и запретом на публикацию политики молодыми авторами, постить политику стало невыгодно
Рейтинг скрыт
К сожалению, они стали гасить как раз проверенную политику. Непроверенную политику довольно быстро и отлично минусовали и сами юзеры.

А вот когда публикуют картинку «макарошки всегда стоят одинаково» или «государство не просило вас рожать», о которых уже даже по телеку говорили на тот момент — а модераторы банят на 24 часа за «фейк ньюс и непроверенные цитаты» = вызывает сомнение в непродажности админресурса.
Рейтинг скрыт
О, отлично! Полтора года назад был исход юзеров с Пикабу на Реддит (весна 2019-го).
И не просто юзеров, а ещё и ТОП-авторов, которые приносили уникальный авторский контент.

Вот и посмотрим, накручивают ли админы дополнительно голоса после этого или нет, и вообще кто авторы текущих высоко-проголосованных постов. А то после исхода количество голосов у постов было аномально высокое и аномально «похожее».

Вот на датасете и глянем, «показалось» или админы воду мутят.
Рейтинг скрыт
import requests,csv
from bs4 import BeautifulSoup
#url='https://pikabu.ru'
#soup = BeautifulSoup(response.text, 'lxml')
from datetime import datetime
from multiprocessing import Pool
from threading import Thread
import pickle

start = datetime.now()

def get_html(url):
    with requests.Session() as session:
            session.headers['Accept'] = 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
            session.headers['User-Agent'] = 'Mozilla/5.0 (X11; Linux x86_64; rv:64.0) Gecko/20100101 Firefox/64.0'
            r=session.get(url)            
            if r.status_code==404:
                return ('404')
            else:
            #r = requests.get(url)        
                return r.text

def write_csv(data,filename):
    with open(filename,'a',encoding='utf8',newline='') as f:
        f.write(f"{data['story_title']}\t"
             f"{data['link']}\t"
             f"{data['story_id']}\t"
             f"{data['data_rating']}\t"
             f"{data['data_timestamp']}\t"
             f"{data['story_comments']}\t"             
             f"{data['data_author_id']}\t"
             f"{data['data_meta_rating']}\t"
             f"{data['story__views_hint']}\t"
             f"{data['user_name']}\t"
             f"{data['user_link']}\t"
             f"{data['story__community_link']}\n")
    


def get_page_data(text,filename):
    soup=BeautifulSoup(text,'lxml')
    ads = soup.find_all('article',class_='story')
    for ad in ads:
        try:
            if ad.find('h2',class_='story__title')==None:
                story_title=ad.find('h1',class_='story__title').text.strip()
            else:
                story_title=ad.find('h2',class_='story__title').text.strip()
        except:
                story_title=''
        try:
                link=ad.find('a')['href']
        except:
                link=''
        try:
                story_id=ad['data-story-id']
        except:
                story_id=''
        try:
                data_rating=ad['data-rating']
        except:
                data_rating=''
        try:
                data_timestamp=ad.find('time',class_='caption story__datetime hint')['datetime'][:10]
        except:
                data_timestamp=''
        try:
                story_comments=ad.find(class_='story__comments-link-count').text
        except:
                story_comments=''        
        try:
                data_author_id=ad['data-author-id']
        except:
                data_author_id='' 
        try:
                data_meta_rating=ad['data-meta-rating']
        except:
                data_meta_rating=''
        try:
                story__views_hint=ad.find('div',class_='story__views hint')['aria-label'].split(' ')[0]
        except:
                story__views_hint=''
        try:
                user_name=ad.find('div',class_='user__info-item').text.strip()
        except:
                user__name=''
        try:
                user_link=ad.find('div',class_='user__info-item').find('a')['href']
        except:
                user_link=''
        try:
                story__community_link=ad.find(class_='story__community-link')['href']
        except:
                story__community_link=''

        #print(story_title,link,story_id,data_rating,data_timestamp,data_vkey,data_author_id,data_meta_rating,story__views_hint,user_name,user_link)       

        data={'story_title':story_title,
                'link':link,
                'story_id':story_id,
                'data_rating':data_rating,
                'data_timestamp':data_timestamp,
                'story_comments':story_comments,                
                'data_author_id': data_author_id,
                'data_meta_rating':data_meta_rating,
                'story__views_hint':story__views_hint,
                'user_name':user_name,
                'user_link':user_link,
                'story__community_link':story__community_link
                  }
        write_csv(data,filename)

def make_all(urls,filename):
    for i in range(len(urls)):
        #print(urls[i])
        text = get_html(urls[i])
        if text=='404':           
            pass
        else:            
            get_page_data(text,filename)

def main():
    #url = 'https://pikabu.ru/?page={}'
    #url='https://pikabu.ru/best/01-01-2020_17-08-2020?page={}'
    url='https://pikabu.ru/story/_{}'
    with open('lost-articles.pickle', 'rb') as f:#571 120
        u = pickle.load(f)
        #print(len(urls))
    urls1 = [url.format(str(i)) for i in u[50001:60000]]    
    urls2 = [url.format(str(i)) for i in u[60001:70000]]
    urls3 = [url.format(str(i)) for i in u[70001:80000]]
    urls4 = [url.format(str(i)) for i in u[80001:90000]]
    urls5 = [url.format(str(i)) for i in u[90001:100000]]
    
    #with Pool(3) as p:
    #    p.map(make_all, urls)
    thread1 = Thread(target=make_all, args=(urls1,'f1.txt',))
    thread2 = Thread(target=make_all, args=(urls2,'f2.txt',))
    thread3 = Thread(target=make_all, args=(urls3,'f3.txt',))
    thread4 = Thread(target=make_all, args=(urls4,'f4.txt',))
    thread5 = Thread(target=make_all, args=(urls4,'f5.txt',))
    thread1.start()
    thread2.start()
    thread3.start()
    thread4.start()
    thread5.start()
    
    thread1.join()
    thread2.join()
    thread3.join()
    thread4.join()
    thread5.join()
        

if __name__ == '__main__':
    main()

Рейтинг скрыт

Спасибо! Взял для себя то, что раньше не понимал. У них есть длинная и короткая ссылка.
Не понимал как перебирать длинные ссылки, а есть просто короткая ссылка с цифрой.

https://pikabu.ru/story/realistichnost_12343647
https://pikabu.ru/story/_12343647

Рейтинг скрыт
Зарегистрируйтесь на Хабре, чтобы оставить комментарий

Публикации

Ваш аккаунт

Разделы

Информация

Услуги

Техническая поддержка
© 2006–2025, Habr