資訊專欄INFORMATION COLUMN
摘要：背景說明小拽利用的寫的爬蟲，實(shí)驗(yàn)性的爬取了知乎用戶的基本信息同時(shí)，針對(duì)爬取的數(shù)據(jù)，進(jìn)行了簡(jiǎn)單的分析呈現(xiàn)。本程序抓取的是知乎對(duì)外提供用戶訪問的個(gè)人信息頁面抓取過程需要攜帶用戶才能獲取頁面。
背景說明：小拽利用php的curl寫的爬蟲，實(shí)驗(yàn)性的爬取了知乎5w用戶的基本信息；同時(shí)，針對(duì)爬取的數(shù)據(jù)，進(jìn)行了簡(jiǎn)單的分析呈現(xiàn)。demo 地址
php的spider代碼和用戶dashboard的展現(xiàn)代碼，整理后上傳github，在個(gè)人博客和公眾號(hào)更新代碼庫，程序僅供娛樂和學(xué)習(xí)交流；如果有侵犯知乎相關(guān)權(quán)益，請(qǐng)盡快聯(lián)系本人刪除。
無圖無真相移動(dòng)端分析數(shù)據(jù)截圖
pc端分析數(shù)據(jù)截圖
整個(gè)爬取，分析，展現(xiàn)過程大概分如下幾步，小拽將分別介紹
curl爬取知乎網(wǎng)頁數(shù)據(jù)
正則分析知乎網(wǎng)頁數(shù)據(jù)
數(shù)據(jù)數(shù)據(jù)入庫和程序部署
數(shù)據(jù)分析和呈現(xiàn)
curl爬取網(wǎng)頁數(shù)據(jù)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。是一個(gè)非常便捷的抓取網(wǎng)頁的工具，同時(shí)，支持多線程擴(kuò)展。
本程序抓取的是知乎對(duì)外提供用戶訪問的個(gè)人信息頁面https://www.zhihu.com/people/xxx,抓取過程需要攜帶用戶cookie才能獲取頁面。直接上碼
獲取頁面cookie
// 登錄知乎，打開個(gè)人中心，打開控制臺(tái)，獲取cookie document.cookie "_za=67254197-3wwb8d-43f6-94f0-fb0e2d521c31; _ga=GA1.2.2142818188.1433767929; q_c1=78ee1604225d47d08cffffd8142a08288b23|1452172601000|1452172601000; _xsrf=15f0639cbe6fb607560c075269064393; cap_id="N2QwMTExNGQ0YTY2NGVddlMGIyNmQ4NjdjOTU0YTM5MmQ=|1453444256|49fdc6b43dc51f702b7d6575451e228f56cdaf5d"; __utmt=1; unlock_ticket="QUJDTWpmM0lsZdd2dYQUFBQVlRSlZUVTNVb1ZaNDVoQXJlblVmWGJ0WGwyaHlDdVdscXdZU1VRPT0=|1453444421|c47a2afde1ff334d416bafb1cc267b41014c9d5f"; __utma=51854390.21428dd18188.1433767929.1453187421.1453444257.3; __utmb=51854390.14.8.1453444425011; __utmc=51854390; __utmz=51854390.1452846679.1.dd1.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=(not%20provided); __utmv=51854390.100-1|2=registration_date=20150823=1^dd3=entry_date=20150823=1"
抓取個(gè)人中心頁面
通過curl，攜帶cookie，先抓取本人中心頁面
/**
* 通過用戶名抓取個(gè)人中心頁面并存儲(chǔ)
*
* @param $username str :用戶名 flag
* @return boolean :成功與否標(biāo)志
*/
public function spiderUser($username)
{
$cookie = "xxxx" ;
$url_info = "http://www.zhihu.com/people/" . $username; //此處cui-xiao-zhuai代表用戶ID,可以直接看url獲取本人id
$ch = curl_init($url_info); //初始化會(huì)話
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_setopt($ch, CURLOPT_COOKIE, $cookie); //設(shè)置請(qǐng)求COOKIE
curl_setopt($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);
file_put_contents("/home/work/zxdata_ch/php/zhihu_spider/file/".$username.".html",$result);
return true;
}
正則分析網(wǎng)頁數(shù)據(jù)
分析新鏈接，進(jìn)一步爬取
對(duì)于抓取過來的網(wǎng)頁進(jìn)行存儲(chǔ)，要想進(jìn)行進(jìn)一步的爬取，頁面必須包含有可用于進(jìn)一步爬取用戶的鏈接。通過對(duì)知乎頁面分析發(fā)現(xiàn)：在個(gè)人中心頁面中有關(guān)注人和部分點(diǎn)贊人和被關(guān)注人。
如下所示
// 抓取的html頁面中發(fā)現(xiàn)了新的用戶，可用于爬蟲
ok，這樣子就可以通過自己-》關(guān)注人-》關(guān)注人的關(guān)注人-》。。。進(jìn)行不斷爬取。接下來就是通過正則匹配提取該信息
// 匹配到抓取頁面的所有用戶
preg_match_all("http://people/([w-]+)"/i", $str, $match_arr);
// 去重合并入新的用戶數(shù)組,用戶進(jìn)一步抓取
self::$newUserArr = array_unique(array_merge($match_arr[1], self::$newUserArr));
到此，整個(gè)爬蟲過程就可以順利進(jìn)行了。
如果需要大量的抓取數(shù)據(jù)，可以研究下curl_multi和pcntl進(jìn)行多線程的快速抓取，此處不做贅述。
通過正則可以進(jìn)一步匹配出更多的該用戶數(shù)據(jù)，直接上碼。
// 獲取用戶頭像
preg_match("/ 男
// gender value1 ;結(jié)束 中文
preg_match("/
preg_match("//u", $str, $match_city);
$user_city = $match_city[1];
// 匹配工作
//人見人罵的公司
preg_match("//u", $str, $match_employment);
$user_employ = $match_employment[1];
// 匹配職位
// 程序猿
preg_match("//u", $str, $match_position);
$user_position = $match_position[1];
// 匹配學(xué)歷
// 研究僧
preg_match("//u", $str, $match_education);
$user_education = $match_education[1];
// 工作情況
// 挨踢
preg_match("/([x{4e00}-
x{9fa5}]+)41 個(gè)話題
preg_match("/class="?zg-link-litblue"?>(d+)s.+strong>/i", $str, $match_topic);
$user_topic = $match_topic[1];
// 關(guān)注人數(shù)
// 關(guān)注了
preg_match_all("/(d+)<.+
數(shù)據(jù)入庫和程序優(yōu)化
在抓取的過程中，有條件的話，一定要通過redis入庫，確實(shí)能提升抓取和入庫效率。沒有條件的話只能通過sql優(yōu)化。這里來幾發(fā)心德。
數(shù)據(jù)庫表設(shè)計(jì)索引一定要慎重。在spider爬取的過程中，建議出了用戶名，左右字段都不要索引，包括主鍵都不要，盡可能的提高入庫效率，試想5000w的數(shù)據(jù)，每次添加一個(gè)，建立索引需要多少消耗。等抓取完畢，需要分析數(shù)據(jù)時(shí)，批量建立索引。
數(shù)據(jù)入庫和更新操作，一定要批量。 mysql 官方給出的增刪改的建議和速度：http://dev.mysql.com/doc/refman/5.7/en/insert-speed.html
# 官方的最優(yōu)批量插入 INSERT INTO yourtable VALUES (1,2), (5,5), ...;
部署操作。程序在抓取過程中，有可能會(huì)出現(xiàn)異常掛掉，為了保證高效穩(wěn)定，盡可能的寫一個(gè)定時(shí)腳本。每隔一段時(shí)間干掉，重新跑，這樣即使異常掛掉也不會(huì)浪費(fèi)太多寶貴時(shí)間，畢竟，time is money。
#!/bin/bash
# 干掉
ps aux |grep spider |awk "{print $2}"|xargs kill -9
sleep 5s
# 重新跑
nohup /home/cuixiaohuan/lamp/php5/bin/php /home/cuixiaohuan/php/zhihu_spider/spider_new.php &
數(shù)據(jù)分析呈現(xiàn)
數(shù)據(jù)的呈現(xiàn)主要使用echarts 3.0，感覺對(duì)于移動(dòng)端兼容還不錯(cuò)。兼容移動(dòng)端的頁面響應(yīng)式布局主要通過幾個(gè)簡(jiǎn)單的css控制，代碼如下
/*兼容性和響應(yīng)式div設(shè)計(jì)*/
@media screen and (max-width: 480px) {
body{
padding: 0 ;
}
.adapt-div {
width: 100% ;
float: none ;
margin: 20px 0;
}
.half-div {
height: 350px ;
margin-bottom: 10px;
}
.whole-div {
height: 350px;
}
}
.half-div {
width: 48%;
height: 430px;
margin: 1%;
float: left
}
.whole-div {
width: 98%;
height: 430px;
margin: 1%;
float: left
}
不足和待學(xué)習(xí)
整個(gè)過程中涉及php,shell,js,css,html,正則等語言和部署等基礎(chǔ)知識(shí)，但還有諸多需要改進(jìn)完善，小拽特此記錄，后續(xù)補(bǔ)充例：
php 采用multicul進(jìn)行多線程。
正則匹配進(jìn)一步優(yōu)化
部署和抓取過程采用redis提升存儲(chǔ)
移動(dòng)端布局的兼容性提升
js的模塊化和sass書寫css。
【轉(zhuǎn)載請(qǐng)注明：php爬蟲：知乎用戶數(shù)據(jù)爬取和分析 | 靠譜崔小拽 】
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/78567.html
摘要：背景說明小拽利用的寫的爬蟲，實(shí)驗(yàn)性的爬取了知乎用戶的基本信息同時(shí)，針對(duì)爬取的數(shù)據(jù)，進(jìn)行了簡(jiǎn)單的分析呈現(xiàn)。本程序抓取的是知乎對(duì)外提供用戶訪問的個(gè)人信息頁面抓取過程需要攜帶用戶才能獲取頁面。 背景說明：小拽利用php的curl寫的爬蟲，實(shí)驗(yàn)性的爬取了知乎5w用戶的基本信息；同時(shí)，針對(duì)爬取的數(shù)據(jù)，進(jìn)行了簡(jiǎn)單的分析呈現(xiàn)。demo 地址 php的spider代碼和用戶dashboard的展現(xiàn)代碼...
摘要：背景說明小拽利用的寫的爬蟲，實(shí)驗(yàn)性的爬取了知乎用戶的基本信息同時(shí)，針對(duì)爬取的數(shù)據(jù)，進(jìn)行了簡(jiǎn)單的分析呈現(xiàn)。本程序抓取的是知乎對(duì)外提供用戶訪問的個(gè)人信息頁面抓取過程需要攜帶用戶才能獲取頁面。 背景說明：小拽利用php的curl寫的爬蟲，實(shí)驗(yàn)性的爬取了知乎5w用戶的基本信息；同時(shí)，針對(duì)爬取的數(shù)據(jù)，進(jìn)行了簡(jiǎn)單的分析呈現(xiàn)。demo 地址 php的spider代碼和用戶dashboard的展現(xiàn)代碼...
摘要：使用的爬蟲知乎用戶數(shù)據(jù)爬取和分析閱讀掘金背景說明小拽利用的寫的爬蟲，實(shí)驗(yàn)性的爬取了知乎用戶的基本信息同時(shí)，針對(duì)爬取的數(shù)據(jù)，進(jìn)行了簡(jiǎn)單的分析呈現(xiàn)。 Python 知乎爬蟲（最新） - 后端 - 掘金 環(huán)境：python3.x外部依賴包：requestsgithub項(xiàng)目地址 主要的問題:模擬登陸： 知乎現(xiàn)在改用https請(qǐng)求了，數(shù)據(jù)加密，但是問題不大，重要的是網(wǎng)頁數(shù)據(jù)改動(dòng)了，而且在請(qǐng)求時(shí)后...
摘要：之前提到動(dòng)態(tài)加載就兩個(gè)解決方案手動(dòng)分析和。背后有許多不為人知的交易進(jìn)行著，動(dòng)態(tài)爬取的任務(wù)就是攔截它們揭開它們的真面目。在爬蟲界有著霸王硬上弓的稱號(hào)，管它情不情愿，來了動(dòng)態(tài)加載也只有屈服的份了。 之前提到動(dòng)態(tài)加載就兩個(gè)解決方案——手動(dòng)分析和selenium。接下來的文章我們會(huì)來深入探討它們，本文將首先，重點(diǎn)介紹前者——手動(dòng)分析 手動(dòng)分析是一個(gè)比較有難度，比較麻煩的解決方案，但優(yōu)點(diǎn)也很明顯...
閱讀 1478·2021-10-18 13:29
閱讀 2725·2021-10-12 10:18
閱讀 3593·2021-09-22 15:06
閱讀 2607·2019-08-29 17:09
閱讀 2798·2019-08-29 16:41
閱讀 1502·2019-08-29 13:48
閱讀 3237·2019-08-26 13:49
閱讀 3333·2019-08-26 13:34
