Pixiv数据分析
寒假的时候利用家里不计费的网爬取了600w+P站的图片数据。一开始的目的是解决：由于P站本身的搜索页面1000页限制，而导致的无法通过搜索爬取较早图片信息，这一问题。所以在爬取的一开始，我的目标是获取高收藏的高质量作品。我采取的爬取策略是通过第一个画师的收藏夹开始，获取他收藏夹内的图片信息，接着将这些图片的画师id加入画师数据库。当当前画师的收藏夹爬取完毕后，就从画师数据库中随机抽取一个新的画师重复之前的步骤。这样的策略可以从点到面的快速、无休止地多线程爬取高质量的画作。
从春节过后的初三开始，我断断续续爬了有近百小时（拜坑爹移动所赐，常常一百个链接404回来99个），一共爬了555781位画师的收藏夹，考虑到我的爬取策略会使得画作质量整体偏高，同时P站一共有六千万左右的画作，两千万左右的用户（前段时间还首页公告这个消息来着），我认为数据库对于收藏数一千以上的作品，收录基本完全。
基于此数据库，我做了以下数据分析：
首先说明下，为了避免一些标签的重复霸榜，我把所有xxxusers入り的标签都剔除了。
那么在一万收藏的12058作中，第一位的是原创。嘛，在p站，这很政治正确。第二位ふつくしい是什麽鬼，是个梗吗······漫画这种标签竟然第三也是醉了。
价格来到千元机的档次（好像有什么不对······），一共363575作，R-18火箭上升至第一名···第二名，就是腐向···
好孩子不要逛p站！好孩子不要逛p站！好孩子不要逛p站！
关于R18的问题，我还有个有趣的发现：
十万以上的八位大佬均非R18作品。
在一万的档次，邪恶势力开始崭露头角。
千元机，R18怒占15%。
百元机虽然覆盖所有，但是也可以做个参考，那么就是说p站的R18大概占比15%～20%咯？
为大家送上十万赞八位大佬的链接(数据截止2017.02)：