有哪些网站用爬虫爬取能得到很有价值的数据？

2016年2月19日 update: 新增对雇主的统计

2016年4月27日 update: 知乎登陆帐号添加了验证码机制，原来的代码无法完成登陆。

＝＝＝＝＝＝＝＝＝原回答＝＝＝＝＝＝＝＝＝＝

入坑知乎三年有余，数月前灵光闪现，做个网页爬虫，专爬知乎下的精华回答，作统计分析。
以下，即是此项目的分析结果，希望能从另一个角度呈现出不一样的知乎。

代码

"talk is cheap, show me the code!" －－屁话少说，放码过来。心急的朋友可以直接戳链接看源码，用的是Python3：
GitHub - SmileXie/zhihu_crawler

算法简述

1.爬虫算法

以根话题的话题树为启始，按广度优先遍历各子话题。话题的遍历深度为3。解析各话题下的精华回答。

2.收集数量

目前收集的信息共计50539个精华回答。

3.分析内容

• 精华回答的点赞数，答案长度等；
• 答题用户的id，点赞数，地区，性别，学历，学校，专业等;

统计结果

１.匿名答主

50539篇精华回答中，有3308篇的回答者选择了匿名发布答案。

2.答主性别

男15740，女5749．是否从一个侧面印证了知乎上程序员占了很大的比例．

3.答主受教育情况

按答主的所在（毕业）学校统计，TOP10的学校是：

可以看出，中国的顶尖高校对知乎的精华回答贡献颇多。

按答主所在的专业统计，TOP10专业是：

果然是程序猿的天堂。（上面的数据，我针对“计算机”和“金融”的数据做了处理，把“计算机”“计算机科学”“计算机科学与技术”合并为“计算机”，把“金融”和“金融学”合并为“金融”）

4.雇主

精华回答答主的雇主统计，互联网行业占了大多数。

5.精华回答的赞同数

按精华回答所获得的赞同数落在的区间，做统计

可见，大多数精华回答获得的赞同数是处于0~4999范围内的。
目前统计到的最高票回答是这篇：《哪些素质很重要，却是读书学不来的》中肥肥猫的回答，共获得了91433个赞同。

6.回答字数

如果按以下标准将精华回答按字数分类：

0~99：短篇

100~999：中篇

1000~9999：长篇

10000以上：超长篇

那么，精华回答的字数分布如下：

看来各位答主对没少在知乎上码字。长篇的数量甚至超越了短篇和中篇。
目前收集到的最长字数回答是：《人究竟能抠到什么程度》中郭永年的回答，答主扬扬洒洒写了98904字，敢情是在知乎上写小说了啊。

后记

作为一个对Python和C都有使用的程序员，在开发的过程中不断地领略着这两种语言的巨大差异。
Python把对开发者友好做到了极致，牺牲了性能。
C把性能做到了极致，牺牲了对开发者的友好。
这个项目只用了500行Python，如果换作500行C，估计只能完成上述功能的1/10吧。
最后再贴一遍源码：
GitHub - SmileXie/zhihu_crawler