数据获取
虽说知乎有个“阅读”的话题，但是我看了一下里面的问题不全是推荐书的，若是都爬取下来可能80%的数据都是与书籍推荐无关的。
所以我直接知乎搜索“书”，选取了回答热度较高的6个问题：
点击“检查”网页，不断往下拉，
'''
更多Python学习资料以及源码教程资料，可以在群1136201545免费获取
'''
我们可以在XHR找到明显带有“answer”字样的链接：
多看几个链接就能找到规律啦，
（offset：0，5，15，20……）
挑自己感兴趣的字段就能“咻咻咻”爬下来了，
其他5个问题如法炮制，得到以下：
总共获取9674个回答，基本字段如下：
数据清洗
以前总觉得爬数据最难，只要爬下来了，一切好说！想怎么处理怎么处理，想怎么分析怎么分析。
但是这次，爬虫的主要目的是列出一个高频出现的书籍清单，大家的答案有言简意赅的。
也有这样，推荐语（废话）一大堆的：
你瞧瞧，回答字数最多的可有3万多字呢！研究爬虫大概花了我一个小时，但是怎么分析这些答案让我头痛了三个晚上！先看一下主要的问题：
-
很多答案没有带书名号，因此不能简单地用正则表达式；
-
知友们回答的时候会出现书名打错（“一句话顶一万句”），还有书名简写或表达方式不同的情况（比如，关于哈利波特系列书籍的说法就有11种……）；
-
最重要的是，我还不具有“看到一个词或一句话就分辨出哪些是书名哪些不是”的能力。我自己都不知道，我怎么让Python判断提取呢……
我也曾想过干脆只用《》来正则匹配内容，结果发现：
44.96%的用户回答问题的时候非常不规范，他们在回答中没有有使用书名号！直接这样分析的话就相当于丢失了将近一半的数据！
除非……除非我有一个图书库，里面有所有书的书名，这样我只要遍历每个答案，如果Ta提到了这本书，就把这个书名提取出来，最后再统计分析就好啦！然而，那句话怎么说来着，想象很丰满，现实很骨感。我并没有这样的图书库。利用现有的数据，我只能勉强以另外55.04%个答案中出现的书名，进行简单处理，得到一个简陋的书名列表……
然后再对每个答案进行遍历……
个中辛酸就不提了，提了也没用。因为并不是完美的解决之道，只能勉强满足我本次爬虫的目的罢了，不过就我走过的一些坑，我还是列一下。虽然前方有很多坑，但是大家能少进一个就少进一个吧：
数据分析
在得到最终TOP书单之前，我们按照惯例看看这些答案的基本情况。
知乎后台性别显示的是0、1和-1，通过研究具体两三个用户的资料，我发现0表示女生，1表示男生，-1表示未知。
看样子这6个答案下面男生的比例略高于女生。
男生和女生回答问题的长度很接近，说明大家都蛮勤奋的，从互动角度来看，男生答案人均点赞数略高于女生，人均评论数却高出女生55%，可能他们的答案比较具有争议性。不过读书这种事嘛，本来就是男女老少皆宜的，因此在这种话题下区别性应该不大。
和正常（现代）人的作息很接近，大部分答案是在白天的时候提交的，其中有11%的用户在凌晨0到4点之间回答，我觉得这部分人睡前肯定没有看书。
从回答时间和点赞数的散点图来看，一些高赞答案都是出现在早上8点到晚上8点之间这段时间大家精神充沛，比较容易写出高质量答案，养生Girl再次呼吁，大家一定要早睡呀！有人问睡不着怎么办？我上一段不是说了嘛（自行体会）。
前面也提到过，答案字数最少的回答，只有一个字：飘。长度最长的有32210个字是我毕业论文长度的1.5倍。整体统计了一下，84%的答案长度在1000字以内，很符合大家碎片化阅读的习惯。然而，另外的16%用户却获得了这些答案下93%的点赞数和72%的评论数。瞧，瞧瞧（敲黑板），多么形象的二八法则实例，快做笔记同学们！
后来看看，我得到的这三天需要下载的书单（按照知友提到的频次排序）：
这98本书你看过多少本呢？
有人问为什么是TOP98，不是100？因为我觉得这样看起来比较少，会更有动力“yes”所有书。