第一百篇博客
在三年前的七月份，我写下第一篇博客开始。我立下了希望能在本科结束之前，写下 100 篇文章的目标。没想到我居然提前大概半年的时间，完成了这个目标。
既然“一百”算是一个特殊的数字，那么我觉得这个博客的内容也应该是与博客本身相关的，不然就不能体现出这篇文章的“特殊”程度了。
引言
在三年前的七月份，我写下第一篇博客开始。我立下了希望能在本科结束之前，写下 100 篇文章的目标。没想到我居然提前大概半年的时间，完成了这个目标。
既然“一百”算是一个特殊的数字，那么我觉得这个博客的内容也应该是与博客本身相关的，不然就不能体现出这篇文章的“特殊”程度了。
关于 meta-blog 的内容，我都习惯分类于 test 中，这个分类之前的内容主要有：
- 博客元信息相关内容
- 博客维护记录
- 博客功能测试
但唯独没有一篇是关于博客文章本身的——这便是这篇博客的内容。我将从以下几个方面来分析本博客文章有关的 feature：
- 文章撰写时间统计
- 文章长度统计
- 文章标签分布统计
- 文章分类分布统计
- 文章访问量统计
文章撰写时间统计
我们可以提取_posts路径下的所有 md 文件，并使用正则表达式date:\s*(\d{4}-\d{1,2}-\d{1,2}\s+\d{1,2}:\d{2}:\d{2})提取。修改一篇手动置顶文章的真实日期，并删除一头一尾两篇文章，总计有效文章篇数98篇，结果如下：
2021-07-06 21:50:00
2021-07-07 20:10:00
2021-07-09 20:30:00
......
2024-12-07 02:00:00
2024-12-13 17:30:00
我们可以根据这98篇文章的时间数据，结合 python 的 pandas 和 matplotlib 来做以下事情：
列出累计文章篇数于时间的关系
由图片可以得知，博客的前半年多还是更得比较勤的，之后呢频率有所降低，但频率的导数也基本上为零。比我预期想象的 sqrt 型甚至 log 型好很多。
列出在 1-12 月分别写了多少篇文章
因为博客是从7月份开始写的，现在才12月份，6月份我们学校一定有实训/军训，12月份我一定会写年终总结，所以这个统计符合预期。
列出文章数量与星期的关系
不太理解为什么周四会少，可能这就是 randomness 吧。
列出每天在哪个时间段把文章写完
晚上和午后算是写作高峰期。
文章长度统计
这里我选取 md 文件的大小作为长度的标准，还是先列出最大和最小的数据：
file size
0 bin_ctf.md 119478
1 零——十七.md 71098
2 ACGN.md 64258
3 canmv.md 49881
4 en_decrypt.md 49787
.. ... ...
95 asmmath.md 1120
96 第一篇博客.md 1007
97 exgcd.md 892
98 碎碎念.md 811
99 unlock-bl.md 527
绘图结果如下：
排名与长度的函数关系
然后我们尝试用两种函数来拟合这个曲线：
- 幂律分布
- 指数分布
分别得到的结果如下：
两者看不出差别？放在一起就能看出来了
通过图片观察和残差计算，结论是指数分布稍微要准确一点。
文章标签分布统计
虽然博客页面已经展示了所有标签，并用大小直观展示了其出现的频率，但我更加关心每一年出现的标签频率变化。
首先还是通过正则表达式搜索标签和日期，结果如下：
Tags: ['mma'], Date: 2021-8-2 18:20:00
Tags: ['encrypted'], Date: 2024-7-6 21:45:00
Tags: ['touhou', 'repost'], Date: 2023-3-14 10:00:00
Tags: ['touhou', 'javascript', 'linux', 'games'], Date: 2024-8-7 00:00:00
Tags: ['linux'], Date: 2023-8-5 15:15:00
......
Tags: ['repost'], Date: 2022-10-17 13:00:00
Tags: ['repost'], Date: 2021-7-11 22:50:00
Tags: ['encrypted'], Date: 2021-7-6 21:50:00
一共 68 行，也就是差不多 2/3 的博客是带了标签的，符合我的预期。
首先给出总排名：
[('linux', 14),
('crypto', 13),
('python', 12),
('pwn', 11),
('repost', 9),
('reverse', 8),
('cpp', 7),
('web', 7),
('misc', 6),
('encrypted', 5),
('games', 5),
('assembly', 5),
('c', 4),
('android', 4),
('touhou', 3),
('windows', 3),
('javascript', 2),
('mma', 1),
('cmake', 1),
('docker', 1),
('verilog', 1)]
然后我们按年来分类，可以得到每一年的排名（这里只展示前五）：
2021
cpp: 4 次
reverse: 4 次
crypto: 4 次
pwn: 4 次
python: 3 次
刚学 CTF 和 python，密码、逆向和二进制都在接触。
2022
pwn: 6 次
linux: 4 次
reverse: 4 次
crypto: 4 次
python: 4 次
开始大量刷二进制的题目，同时开始使用 Linux。
2023
repost: 3 次
linux: 3 次
touhou: 2 次
python: 2 次
android: 2 次
继续使用 Linux，基本上不打 CTF 了。
2024
linux: 6 次
crypto: 5 次
assembly: 3 次
python: 3 次
c: 2 次
继续使用 Linux，开始正式接触密码和系统相关的学术方向。
python 是唯一一个四年都上榜的哦~
文章分类分布统计
写分类的时候遇到了一些奇奇怪怪的错误，比较考验代码的健壮性，例如：
- categories 的后面并没有跟上 tags，导致正则表达式匹配到
---并将--作为分类的一部分。 - date 不是 4-2-2 的格式，导致正则表达式匹配不到。
- 忘记处理 year 是 2033, 2038 和 2021 这种情况。
最后我还是通过脚本加手动编辑 outlier 的方式得到了以下结果：
2021
2021年分类频率：
随笔: 9
ctf: 7
develop: 3
OI: 3
一边写碎碎念，一边学 CTF。
2022
2022年分类频率：
随笔: 10
笔记: 7
ctf: 6
develop: 6
test: 2
OI: 2
继续学习 CTF，学校理论课压力开始增加，也逐渐开始学会“配环境”。
2023
2023年分类频率：
随笔: 7
笔记: 7
develop: 6
ctf: 2
test: 1
学校理论课与课程设计的压力仍然存在，CTF 与 OI 逐渐淡出。
2024
2024年分类频率：
笔记: 7
develop: 6
随笔: 5
test: 2
开始接触科研项目，然后有一些给自己或给别人看的笔记，以及自己的一些 project。
文章访问量统计
现在到了抽奖环节，其实我也不知道各位读者会对什么文章感兴趣（这毕竟是page rank算法与时间发生的化学反应），我们来看看最终结果会是什么样的吧。
因为卜算子是 js 脚本获取的数据，这里不能直接使用 requests 进行爬虫，需要使用类似 selenium 的工具
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time
# 配置 ChromeDriver 和选项
chrome_options = Options()
chrome_options.add_argument("--headless") # 无头模式
chrome_options.add_argument("--disable-gpu")
chrome_options.add_argument("--no-sandbox")
# 初始化 WebDriver
service = Service('path/to/chromedriver') # 替换为你的 chromedriver 路径
driver = webdriver.Chrome(service=service, options=chrome_options)
# URLs 列表
urls = [
"https://example.com/page1",
"https://example.com/page2",
# 添加更多链接
]
# 存储爬取结果
results = []
# 遍历 URL 列表
for url in urls:
try:
driver.get(url)
# 等待指定元素加载
wait = WebDriverWait(driver, 10)
page_pv_element = wait.until(
EC.presence_of_element_located((By.ID, "busuanzi_value_page_pv"))
)
title_element = wait.until(
EC.presence_of_element_located((By.XPATH, '/html/body/main/div[2]/div[1]/article/header/h1'))
)
# 确保 page_pv_element.text 不为空
page_pv = None
retries = 5 # 尝试 5 次
while not page_pv and retries > 0:
page_pv = page_pv_element.text.strip()
if not page_pv:
time.sleep(1) # 等待 1 秒重试
retries -= 1
# 获取标题内容
title = title_element.text
# 保存结果
results.append({"url": url, "page_pv": page_pv, "title": title})
print(f"URL: {url}, Page PV: {page_pv}, Title: {title}")
except Exception as e:
print(f"Error processing {url}: {e}")
# 关闭浏览器
driver.quit()
# 打印所有结果
for result in results:
print(result)
——然后结果揭晓，这里贴出前10名：
如何打造一个究极舒适的pwn环境, 1554
三五——Android 14 彩蛋试玩, 535
（置顶，已完结）nju-pa 心得, 493
（置顶）博客元信息一览, 294
如何打造一个究极舒适的pwn环境（第三季）, 258
雀魂麻将真的有恶调吗？, 198
pwncollege部分通关记录, 189
scuctf新生赛——幽篁终见天战队wp, 187
一次给 grab app 抓包的经历, 184
广义mt19937随机数逆向, 184
看来配环境果然是一枝独秀，成为了各位读者最为关心的内容（
按照惯例我决定还是绘图，然后拟合一下：
, a=1.2790748646693612e-158, b=80.69403536136282, c=113.09706403263824.
感觉这个常数项
指数拟合的结果太离谱，这里就不放了哈——