摘要：本程序是抓取知乎的用戶數(shù)據(jù)，要能訪問用戶個(gè)人頁面，需要用戶登錄后的才能訪問。經(jīng)過查閱資料得知，是因?yàn)橹鯇?duì)圖片做了防盜鏈處理。最終的結(jié)果是，用了一個(gè)周末就抓取了萬的用戶數(shù)據(jù)。

代碼托管地址：https://github.com/hoohack/zhihuSpider

這次抓取了110萬的用戶數(shù)據(jù)，數(shù)據(jù)分析結(jié)果如下：

安裝Linux系統(tǒng)（Ubuntu14.04），在VMWare虛擬機(jī)下安裝一個(gè)Ubuntu；

安裝PHP5.6或以上版本；

安裝MySQL5.5或以上版本；

安裝curl、pcntl擴(kuò)展。

PHP的curl擴(kuò)展是PHP支持的允許你與各種服務(wù)器使用各種類型的協(xié)議進(jìn)行連接和通信的庫。

本程序是抓取知乎的用戶數(shù)據(jù)，要能訪問用戶個(gè)人頁面，需要用戶登錄后的才能訪問。當(dāng)我們在瀏覽器的頁面中點(diǎn)擊一個(gè)用戶頭像鏈接進(jìn)入用戶個(gè)人中心頁面的時(shí)候，之所以能夠看到用戶的信息，是因?yàn)樵邳c(diǎn)擊鏈接的時(shí)候，瀏覽器幫你將本地的cookie帶上一齊提交到新的頁面，所以你就能進(jìn)入到用戶的個(gè)人中心頁面。因此實(shí)現(xiàn)訪問個(gè)人頁面之前需要先獲得用戶的cookie信息，然后在每次curl請(qǐng)求的時(shí)候帶上cookie信息。在獲取cookie信息方面，我是用了自己的cookie，在頁面中可以看到自己的cookie信息：

一個(gè)個(gè)地復(fù)制，以"__utma=?;__utmb=?;"這樣的形式組成一個(gè)cookie字符串。接下來就可以使用該cookie字符串來發(fā)送請(qǐng)求。

初始的示例：

$url = "http://www.zhihu.com/people/mora-hu/about"; //此處mora-hu代表用戶ID
$ch = curl_init($url); //初始化會(huì)話
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_setopt($ch, CURLOPT_COOKIE, $this->config_arr["user_cookie"]);  //設(shè)置請(qǐng)求COOKIE
curl_setopt($ch, CURLOPT_USERAGENT, $_SERVER["HTTP_USER_AGENT"]);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);  //將curl_exec()獲取的信息以文件流的形式返回，而不是直接輸出。
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);  
$result = curl_exec($ch);
return $result;  //抓取的結(jié)果

運(yùn)行上面的代碼可以獲得mora-hu用戶的個(gè)人中心頁面。利用該結(jié)果再使用正則表達(dá)式對(duì)頁面進(jìn)行處理，就能獲取到姓名，性別等所需要抓取的信息。

在對(duì)返回結(jié)果進(jìn)行正則處理后輸出個(gè)人信息的時(shí)候，發(fā)現(xiàn)在頁面中輸出用戶頭像時(shí)無法打開。經(jīng)過查閱資料得知，是因?yàn)橹鯇?duì)圖片做了防盜鏈處理。解決方案就是請(qǐng)求圖片的時(shí)候在請(qǐng)求頭里偽造一個(gè)referer。

在使用正則表達(dá)式獲取到圖片的鏈接之后，再發(fā)一次請(qǐng)求，這時(shí)候帶上圖片請(qǐng)求的來源，說明該請(qǐng)求來自知乎網(wǎng)站的轉(zhuǎn)發(fā)。具體例子如下：

function getImg($url, $u_id)
{
    if (file_exists("./images/" . $u_id . ".jpg"))
    {
        return "images/$u_id" . ".jpg";
    }
    if (empty($url))
    {
        return "";
    }
    $context_options = array(  
        "http" =>  
        array(
            "header" => "Referer:http://www.zhihu.com"http://帶上referer參數(shù) 
    　　)
　　);
      
    $context = stream_context_create($context_options);  
    $img = file_get_contents("http:" . $url, FALSE, $context);
    file_put_contents("./images/" . $u_id . ".jpg", $img);
    return "images/$u_id" . ".jpg";
}

抓取了自己的個(gè)人信息后，就需要再訪問用戶的關(guān)注者和關(guān)注了的用戶列表獲取更多的用戶信息。然后一層一層地訪問。可以看到，在個(gè)人中心頁面里，有兩個(gè)鏈接如下：

這里有兩個(gè)鏈接，一個(gè)是關(guān)注了，另一個(gè)是關(guān)注者，以“關(guān)注了”的鏈接為例。用正則匹配去匹配到相應(yīng)的鏈接，得到url之后用curl帶上cookie再發(fā)一次請(qǐng)求。抓取到用戶關(guān)注了的用于列表頁之后，可以得到下面的頁面：

分析頁面的html結(jié)構(gòu)，因?yàn)橹灰玫接脩舻男畔ⅲ灾恍枰蜃〉倪@一塊的div內(nèi)容，用戶名都在這里面?？梢钥吹?，用戶關(guān)注了的頁面的url是：

不同的用戶的這個(gè)url幾乎是一樣的，不同的地方就在于用戶名那里。用正則匹配拿到用戶名列表，一個(gè)一個(gè)地拼url，然后再逐個(gè)發(fā)請(qǐng)求（當(dāng)然，一個(gè)一個(gè)是比較慢的，下面有解決方案，這個(gè)稍后會(huì)說到）。進(jìn)入到新用戶的頁面之后，再重復(fù)上面的步驟，就這樣不斷循環(huán)，直到達(dá)到你所要的數(shù)據(jù)量。

腳本跑了一段時(shí)間后，需要看看究竟獲取了多少圖片，當(dāng)數(shù)據(jù)量比較大的時(shí)候，打開文件夾查看圖片數(shù)量就有點(diǎn)慢。腳本是在Linux環(huán)境下運(yùn)行的，因此可以使用Linux的命令來統(tǒng)計(jì)文件數(shù)量：

ls -l | grep "^-" | wc -l

其中， ls -l 是長列表輸出該目錄下的文件信息（這里的文件可以是目錄、鏈接、設(shè)備文件等）； grep "^-" 過濾長列表輸出信息， "^-" 只保留一般文件，如果只保留目錄是 "^d" ； wc -l 是統(tǒng)計(jì)輸出信息的行數(shù)。下面是一個(gè)運(yùn)行示例：

程序運(yùn)行了一段時(shí)間后，發(fā)現(xiàn)有很多用戶的數(shù)據(jù)是重復(fù)的，因此需要在插入重復(fù)用戶數(shù)據(jù)的時(shí)候做處理。處理方案如下：

1）插入數(shù)據(jù)庫之前檢查數(shù)據(jù)是否已經(jīng)存在數(shù)據(jù)庫；

2）添加唯一索引，插入時(shí)使用 INSERT INTO ... ON DUPLICATE KEY UPDATE...

3）添加唯一索引，插入時(shí)使用 INSERT INGNORE INTO...

4）添加唯一索引，插入時(shí)使用 REPLACE INTO...

第一種方案是最簡單但也是效率最差的方案，因此不采取。二和四方案的執(zhí)行結(jié)果是一樣的，不同的是，在遇到相同的數(shù)據(jù)時(shí)， INSERT INTO ... ON DUPLICATE KEY UPDATE 是直接更新的，而 REPLACE INTO 是先刪除舊的數(shù)據(jù)然后插入新的，在這個(gè)過程中，還需要重新維護(hù)索引，所以速度慢。所以在二和四兩者間選擇了第二種方案。而第三種方案， INSERT INGNORE 會(huì)忽略執(zhí)行INSERT語句出現(xiàn)的錯(cuò)誤，不會(huì)忽略語法問題，但是忽略主鍵存在的情況。這樣一來，使用 INSERT INGNORE 就更好了。最終，考慮到要在數(shù)據(jù)庫中記錄重復(fù)數(shù)據(jù)的條數(shù)，因此在程序中采用了第二種方案。

剛開始單進(jìn)程而且單個(gè)curl去抓取數(shù)據(jù)，速度很慢，掛機(jī)爬了一個(gè)晚上只能抓到2W的數(shù)據(jù)，于是便想到能不能在進(jìn)入新的用戶頁面發(fā)curl請(qǐng)求的時(shí)候一次性請(qǐng)求多個(gè)用戶，后來發(fā)現(xiàn)了curl_multi這個(gè)好東西。curl_multi這類函數(shù)可以實(shí)現(xiàn)同時(shí)請(qǐng)求多個(gè)url，而不是一個(gè)個(gè)請(qǐng)求，這類似于linux系統(tǒng)中一個(gè)進(jìn)程開多條線程執(zhí)行的功能。下面是使用curl_multi實(shí)現(xiàn)多線程爬蟲的示例：

    $mh = curl_multi_init(); //返回一個(gè)新cURL批處理句柄
    for ($i = 0; $i < $max_size; $i++)
    {
        $ch = curl_init();  //初始化單個(gè)cURL會(huì)話
        curl_setopt($ch, CURLOPT_HEADER, 0);
        curl_setopt($ch, CURLOPT_URL, "http://www.zhihu.com/people/" . $user_list[$i] . "/about");
        curl_setopt($ch, CURLOPT_COOKIE, self::$user_cookie);
        curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.130 Safari/537.36");
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); 
        curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
        $requestMap[$i] = $ch;
        curl_multi_add_handle($mh, $ch);  //向curl批處理會(huì)話中添加多帶帶的curl句柄
    }

    $user_arr = array();
    do {
                    //運(yùn)行當(dāng)前 cURL 句柄的子連接
        while (($cme = curl_multi_exec($mh, $active)) == CURLM_CALL_MULTI_PERFORM);
        
        if ($cme != CURLM_OK) {break;}
                    //獲取當(dāng)前解析的cURL的相關(guān)傳輸信息
        while ($done = curl_multi_info_read($mh))
        {
            $info = curl_getinfo($done["handle"]);
            $tmp_result = curl_multi_getcontent($done["handle"]);
            $error = curl_error($done["handle"]);

            $user_arr[] = array_values(getUserInfo($tmp_result));

            //保證同時(shí)有$max_size個(gè)請(qǐng)求在處理
            if ($i < sizeof($user_list) && isset($user_list[$i]) && $i < count($user_list))
            {
                $ch = curl_init();
                curl_setopt($ch, CURLOPT_HEADER, 0);
                curl_setopt($ch, CURLOPT_URL, "http://www.zhihu.com/people/" . $user_list[$i] . "/about");
                curl_setopt($ch, CURLOPT_COOKIE, self::$user_cookie);
                curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.130 Safari/537.36");
                curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); 
                curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
                $requestMap[$i] = $ch;
                curl_multi_add_handle($mh, $ch);

                $i++;
            }

            curl_multi_remove_handle($mh, $done["handle"]);
        }

        if ($active)
            curl_multi_select($mh, 10);
    } while ($active);

    curl_multi_close($mh);
    return $user_arr;

使用curl_multi函數(shù)可以同時(shí)發(fā)多個(gè)請(qǐng)求，但是在執(zhí)行過程中使同時(shí)發(fā)200個(gè)請(qǐng)求的時(shí)候，發(fā)現(xiàn)很多請(qǐng)求無法返回了，即發(fā)現(xiàn)了丟包的情況。進(jìn)一步分析，使用 curl_getinfo 函數(shù)打印每個(gè)請(qǐng)求句柄信息，該函數(shù)返回一個(gè)包含HTTP response信息的關(guān)聯(lián)數(shù)組，其中有一個(gè)字段是http_code，表示請(qǐng)求返回的HTTP狀態(tài)碼?？吹接泻芏鄠€(gè)請(qǐng)求的http_code都是429，這個(gè)返回碼的意思是發(fā)送太多請(qǐng)求了。我猜是知乎做了防爬蟲的防護(hù)，于是我就拿其他的網(wǎng)站來做測試，發(fā)現(xiàn)一次性發(fā)200個(gè)請(qǐng)求時(shí)沒問題的，證明了我的猜測，知乎在這方面做了防護(hù)，即一次性的請(qǐng)求數(shù)量是有限制的。于是我不斷地減少請(qǐng)求數(shù)量，發(fā)現(xiàn)在5的時(shí)候就沒有丟包情況了。說明在這個(gè)程序里一次性最多只能發(fā)5個(gè)請(qǐng)求，雖然不多，但這也是一次小提升了。

抓取用戶的過程中，發(fā)現(xiàn)有些用戶是已經(jīng)訪問過的，而且他的關(guān)注者和關(guān)注了的用戶都已經(jīng)獲取過了，雖然在數(shù)據(jù)庫的層面做了重復(fù)數(shù)據(jù)的處理，但是程序還是會(huì)使用curl發(fā)請(qǐng)求，這樣重復(fù)的發(fā)送請(qǐng)求就有很多重復(fù)的網(wǎng)絡(luò)開銷。還有一個(gè)就是待抓取的用戶需要暫時(shí)保存在一個(gè)地方以便下一次執(zhí)行，剛開始是放到數(shù)組里面，后來發(fā)現(xiàn)要在程序里添加多進(jìn)程，在多進(jìn)程編程里，子進(jìn)程會(huì)共享程序代碼、函數(shù)庫，但是進(jìn)程使用的變量與其他進(jìn)程所使用的截然不同。不同進(jìn)程之間的變量是分離的，不能被其他進(jìn)程讀取，所以是不能使用數(shù)組的。因此就想到了使用Redis緩存來保存已經(jīng)處理好的用戶以及待抓取的用戶。這樣每次執(zhí)行完的時(shí)候都把用戶push到一個(gè)already_request_queue隊(duì)列中，把待抓取的用戶（即每個(gè)用戶的關(guān)注者和關(guān)注了的用戶列表）push到request_queue里面，然后每次執(zhí)行前都從request_queue里pop一個(gè)用戶，然后判斷是否在already_request_queue里面，如果在，則進(jìn)行下一個(gè)，否則就繼續(xù)執(zhí)行。

在PHP中使用redis示例：

connect("127.0.0.1", "6379");
    $redis->set("tmp", "value");
    if ($redis->exists("tmp"))
    {
        echo $redis->get("tmp") . "
";
    }

改用了curl_multi函數(shù)實(shí)現(xiàn)多線程抓取用戶信息之后，程序運(yùn)行了一個(gè)晚上，最終得到的數(shù)據(jù)有10W。還不能達(dá)到自己的理想目標(biāo)，于是便繼續(xù)優(yōu)化，后來發(fā)現(xiàn)php里面有一個(gè)pcntl擴(kuò)展可以實(shí)現(xiàn)多進(jìn)程編程。下面是多編程編程的示例：

//PHP多進(jìn)程demo
//fork10個(gè)進(jìn)程
for ($i = 0; $i < 10; $i++) {
    $pid = pcntl_fork();
    if ($pid == -1) {
        echo "Could not fork!
";
        exit(1);
    }
    if (!$pid) {
        echo "child process $i running
";
        //子進(jìn)程執(zhí)行完畢之后就退出，以免繼續(xù)fork出新的子進(jìn)程
        exit($i);
    }
}

//等待子進(jìn)程執(zhí)行完畢，避免出現(xiàn)僵尸進(jìn)程
while (pcntl_waitpid(0, $status) != -1) {
    $status = pcntl_wexitstatus($status);
    echo "Child $status completed
";
}

實(shí)現(xiàn)了多進(jìn)程編程之后，就想著多開幾條進(jìn)程不斷地抓取用戶的數(shù)據(jù)，后來開了8調(diào)進(jìn)程跑了一個(gè)晚上后發(fā)現(xiàn)只能拿到20W的數(shù)據(jù)，沒有多大的提升。于是查閱資料發(fā)現(xiàn)，根據(jù)系統(tǒng)優(yōu)化的CPU性能調(diào)優(yōu)，程序的最大進(jìn)程數(shù)不能隨便給的，要根據(jù)CPU的核數(shù)和來給，最大進(jìn)程數(shù)最好是cpu核數(shù)的2倍。因此需要查看cpu的信息來看看cpu的核數(shù)。在Linux下查看cpu的信息的命令：

cat /proc/cpuinfo

結(jié)果如下：

其中，model name表示cpu類型信息，cpu cores表示cpu核數(shù)。這里的核數(shù)是1，因?yàn)槭窃谔摂M機(jī)下運(yùn)行，分配到的cpu核數(shù)比較少，因此只能開2條進(jìn)程。最終的結(jié)果是，用了一個(gè)周末就抓取了110萬的用戶數(shù)據(jù)。

在多進(jìn)程條件下，程序運(yùn)行了一段時(shí)間后，發(fā)現(xiàn)數(shù)據(jù)不能插入到數(shù)據(jù)庫，會(huì)報(bào)mysql too many connections的錯(cuò)誤，redis也是如此。

下面這段代碼會(huì)執(zhí)行失敗：

根本原因是在各個(gè)子進(jìn)程創(chuàng)建時(shí)，就已經(jīng)繼承了父進(jìn)程一份完全一樣的拷貝。對(duì)象可以拷貝，但是已創(chuàng)建的連接不能被拷貝成多個(gè)，由此產(chǎn)生的結(jié)果，就是各個(gè)進(jìn)程都使用同一個(gè)redis連接，各干各的事，最終產(chǎn)生莫名其妙的沖突。
解決方法：
程序不能完全保證在fork進(jìn)程之前，父進(jìn)程不會(huì)創(chuàng)建redis連接實(shí)例。因此，要解決這個(gè)問題只能靠子進(jìn)程本身了。試想一下，如果在子進(jìn)程中獲取的實(shí)例只與當(dāng)前進(jìn)程相關(guān)，那么這個(gè)問題就不存在了。于是解決方案就是稍微改造一下redis類實(shí)例化的靜態(tài)方式，與當(dāng)前進(jìn)程ID綁定起來。
改造后的代碼如下：

PHP統(tǒng)計(jì)腳本執(zhí)行時(shí)間
因?yàn)橄胫烂總€(gè)進(jìn)程花費(fèi)的時(shí)間是多少，因此寫個(gè)函數(shù)統(tǒng)計(jì)腳本執(zhí)行時(shí)間：
function microtime_float()
{
     list($u_sec, $sec) = explode(" ", microtime());
     return (floatval($u_sec) + floatval($sec));
}

$start_time = microtime_float();

//do something
usleep(100);

$end_time = microtime_float();
$total_time = $end_time - $start_time;

$time_cost = sprintf("%.10f", $total_time);

echo "program cost total " . $time_cost . "s
";

若文中有不正確的地方，望各位指出以便改正。