我用爬虫一天时间“偷了”知乎一百万用户，只为证明PHP是世界上最好的语言

我用爬虫一天时间“偷了”知乎一百万用户，只为证明PHP是世界上最好的语言

看了不少朋友圈里推荐的Python爬虫文章，都觉得太小儿科，处理内容本来就是PHP的强项，Python唯一的好处估计也就天生的Linux自带， 和Perl一样，这点觉得挺不够意思的Linux，还是Mac厚道，天生就自带了Python、Perl、PHP、Ruby，当然我也很讨厌讨论一门语言 的好坏，每门语言存在就一定有它的道理，反正PHP是全世界最好用的语言，大家都懂的^_^

  前几天比较火的是一个人用C#写了一个多线程爬虫程序，抓取了QQ空间3000万QQ用户，其中有300万用户是有QQ号、昵称、空间名称等信息的，也就 是说，有详情也就300万，跑了两周，这没什么，为了证明PHP是全世界最好的语言，虽然大家都懂的^_^，我用PHP写了一个多进程爬虫程序，只用了一 天时间，就抓了知乎100万用户，目前跑到第8圈(depth=8)互相有关联(关注了和关注者)的用户。

爬虫程序设计：

因为知乎需要登录才能获取到关注者页面，所以从chrome登录之后把cookie拷贝下来给curl程序模拟登录。

使用两大独立循环进程组(用户索引进程组、用户详情进程组)，用的是php的pcntl扩展，封装了一个非常好用的类，使用起来和golang的携程也差不多了。

下面是用户详情的截图，用户索引代码类似

这里插个题外话，经过测试，我的8核的Macbook，跑16进程的速度最快，而16核的Linux服务器，居然是跑8进程最快，这点有点让我莫名其妙了，不过既然测试出最后进程数，就按照最好的设置就好啦。

1、用户索引进程组先以一个用户为起点，抓取这个用户的关注了和关注者，然后合并入库，因为是多进程，所以当有两个进程在处理同一个用户入库的时候就会出 现重复的用户，所以数据库用户名字段一定要建立唯一索引，当然也可以用redis这些第三方缓存来保证原子性，这个就见仁见智了。

通过步骤一之后，我们就得到下面的用户列表：

2、用户详情进程组按照时间正序，拿到最先入库的用户抓取详情，并且把更新时间更新为当前时间，这样就可以变成一个死循环，程序可以无休止的跑，不断的循环更新用户信息。

程序稳定运行到第二天，突然没有新数据了，检查了一下发现知乎改规则了，不知是为了防我，还是碰巧，反正给我返回的数据是这样的

第一感觉就是胡乱给我输出数据让我采集不到，换了IP、模拟伪装了些数据，都没用，突然感觉这个很熟悉，会不会是gzip？抱着怀疑的态度，试了试gzip，首先当然是告诉知乎不要给我gzip压缩过的数据

把 "Accept-Encoding: gzip,deflate\r\n"; 去掉，然并卵！

看来知乎是强制要给我gzip压缩数据了，既然如此，那我就解压呗，查了一下php解压gzip，发现就一个函数gzinflate，于是把获取到得内容加上：

$content = substr($content, 10);

$content = gzinflate($content));

当然还可以用curl自带的：

curl_setopt( self::$ch, CURLOPT_ENCODING, 'gzip' );

这里我真想说，PHP真的是全世界最好的语言，就一两个函数，就彻底解决了问题，程序又欢快的跑起来了。

在匹配内容的时候，知乎的细心也是给了我无数的帮助，例如我要分清用户性别：

    

哈哈开玩笑的拉，其实是样式里面有 icon-profile-female 和 icon-profile-male ^_^

我蛋疼的抓了它那么多用户，到底有什么用呢？

其实没什么用，我就是闲的蛋疼 ^_^

有了这些信息，其实就可以做一些别人开头闭口就乱吹一通的大数据分析拉

最常见的当然是：

1、性别分布

2、地域分布

3、职业分布，来自那个公司

4、每个职业的男女比例

5、大家一般在什么时候上知乎？发问题、关注问题，那些问题值得关注

当然，按照关注人数、浏览人数、提问数、回答数等排序，看看人民都在关注什么，民生、社会、地理、政治，整个互联网都尽收眼底拉。。

也许，你还可以把头像拿来分析，用开源的验黄程序，把色情的筛选出来，然后去拯救东莞？ ^_^

然后，你还可以看看那些大学出来的人，最后都干了什么。

有了这些数据，是不是可以打开脑洞 ^_^

下面是利用这些数据做出来的一些有趣的图表，实时图表数据可以去 http://www.epooll.com/zhihu/ 上看

 

---

---