這篇文章介紹的內容是關於PHP爬蟲之百萬級別知乎用戶數據爬取與分析,有著一定的參考價值,現在分享給大家,有需要的朋友可以參考一下
這篇文章主要介紹了PHP百萬等級知乎使用者資料爬取與分析的相關資料,需要的朋友可以參考下方
開發前的準備
安裝Linux系統(Ubuntu14 .04),在VMWare虛擬機器下方安裝一個Ubuntu;
安裝PHP5.6或以上版本;
789
#$url = 'http://www.zhihu.com/people/mora-hu/about'; //此处mora-hu代表用户ID $ch = curl_init($url); //初始化会话 curl_setopt($ch, CURLOPT_HEADER, 0); curl_setopt($ch, CURLOPT_COOKIE, $this->config_arr['user_cookie']); //设置请求COOKIE curl_setopt($ch, CURLOPT_USERAGENT, $_SERVER['HTTP_USER_AGENT']); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //将curl_exec()获取的信息以文件流的形式返回,而不是直接输出。 curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); $result = curl_exec($ch); return $result; //抓取的结果 |
運行上面的程式碼可以獲得mora-hu用戶的個人中心頁面。利用此結果再使用正規表示式對頁面進行處理,就能取得到姓名,性別等所需抓取的資訊。
1、圖片防盜鏈
在對回傳結果進行正規處理後輸出個人資訊的時候,發現在頁面中輸出使用者頭像時無法打開。經過查閱資料得知,是因為知乎對圖片做了防盜鏈處理。解決方案就是請求圖片的時候在請求頭裡偽造一個referer。
在使用正規表示式取得到圖片的連結之後,再發一次請求,這時候帶上圖片請求的來源,說明該請求來自知乎網站的轉發。具體範例如下:
1 2 3 4 5 6 7 8 #9 10 ##1112131415#161718 # #1920 21 22 |
function getImg($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"//带上referer参数 ) ); $context = stream_context_create($context_options); $img = file_get_contents('http:' . $url, FALSE, $context); file_put_contents('./images/' . $u_id . ".jpg", $img); return "images/$u_id" . '.jpg'; } |
2、爬取更多用戶
抓取了自己的個人資訊後,就需要再存取用戶的追蹤者和追蹤了的用戶列表獲取更多的用戶資訊。然後一層一層地訪問。可以看到,在個人中心頁面裡,有兩個鏈接如下:
這裡有兩個鏈接,一個是關注了,另一個是關注者,以“關注了」的連結為例。用正規匹配去匹配到相應的鏈接,得到url之後用curl帶上cookie再發一次請求。抓取到使用者追蹤了的用於列表頁之後,可以得到下面的頁面:
分析頁面的html結構,因為只要得到用戶的訊息,所以只需要框住的這一塊的p內容,用戶名就在這裡面。可以看到,用戶追蹤了的頁面的url是:
不同的用戶的這個url幾乎是一樣的,不同的地方就在於用戶名那裡。用正規匹配拿到用戶名列表,一個一個拼url,然後再逐個發請求(當然,一個一個是比較慢的,下面有解決方案,這個稍後會說到)。進入到新用戶的頁面之後,再重複上面的步驟,就這樣不斷循環,直到達到你所要的資料量。
3、Linux統計檔案數量
#腳本跑了一段時間後,需要看看究竟取得了多少圖片,當資料量比較大的時候,打開資料夾查看圖片數量就有點慢。腳本是在Linux環境下運行的,因此可以使用Linux的命令來統計檔案數量:
1 |
ls-l | grep"^-"wc -l |
其中, ls -l 是長列表輸出該目錄下的檔案資訊(這裡的檔案可以是目錄、連結、裝置檔案等); grep "^-" 過濾長清單輸出訊息, "^-" 只保留一般文件,如果只保留目錄是"^d" ; wc -l 是統計輸出資訊的行數。以下是一個運行範例:
4、插入MySQL時重複資料的處理
程式運行了一段時間後,發現有很多使用者的資料是重複的,因此需要在插入重複使用者資料的時候做處理。處理方案如下:
1)插入資料庫之前檢查資料是否已經存在資料庫;
2)新增唯一索引,插入時使用INSERT INTO ... ON DUPLICATE KEY UPDATE...
3)新增唯一索引,插入時使用INSERT INGNORE INTO...
4)新增唯一索引,插入時使用REPLACE INTO...
第一種方案是最簡單但也是效率最差的方案,因此不採取。二和四方案的執行結果是一樣的,不同的是,在遇到相同的資料時, INSERT INTO … ON DUPLICATE KEY UPDATE 是直接更新的,而REPLACE INTO 是先刪除舊的資料然後插入新的,在這個過程中,還需要重新維護索引,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 會忽略執行INSERT語句出現的錯誤,不會忽略語法問題,但忽略主鍵存在的情況。這樣一來,使用 INSERT INGNORE 就更好了。最終,考慮到要在資料庫中記錄重複資料的條數,因此在程式中採用了第二種方案。
5、使用curl_multi實現多線程抓取頁面
剛開始單進程而且單一curl去抓取數據,速度很慢,掛機爬了一個晚上只能抓到2W的數據,於是便想到能不能在進入新的用戶頁面發curl請求的時候一次性請求多個用戶,後來發現了curl_multi這個好東西。 curl_multi這類函數可以實作同時請求多個url,而不是一個個請求,這類似於linux系統中一個行程開多條執行緒執行的功能。以下是使用curl_multi實作多執行緒爬蟲的範例:
1 2 3 4 5 6 7 8 #9 10 ##1112131415#161718 # #1920 21 22 23 24 25 26 27 28 29 30 31 #32 33 34 35 #36 37 #38 ###################################################### #第39章###40 41 42 43 44 45 46 #47 48 49 50 #51 #52 #53 ############################################################# #第54章### |
$mh = curl_multi_init(); //返回一个新cURL批处理句柄 for ($i = 0; $i < $max_size; $i++) { $ch = curl_init(); //初始化单个cURL会话 curl_setopt($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批处理会话中添加单独的curl句柄 } $user_arr = array(); do { //运行当前 cURL 句柄的子连接 while (($cme = curl_multi_exec($mh, $active)) == CURLM_CALL_MULTI_PERFORM); if ($cme != CURLM_OK) {break;} //获取当前解析的cURL的相关传输信息 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)); //保证同时有$max_size个请求在处理 if ($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; |
6、HTTP 429 Too Many Requests
使用curl_multi函數可以同時發多個請求,但是在執行過程中使同時發200個請求的時候,發現很多請求無法回傳了,也就是發現了丟包的情況。進一步分析,使用 curl_getinfo 函數列印每個請求句柄訊息,函數傳回一個包含HTTP response訊息的關聯數組,其中有一個欄位是http_code,表示請求傳回的HTTP狀態碼。看到有很多個請求的http_code都是429,這個回傳碼的意思是發送太多請求了。我猜是知乎做了防爬蟲的防護,於是我就拿其他的網站來做測試,發現一次性發200個請求時沒問題的,證明了我的猜測,知乎在這方面做了防護,即一次性的請求數量是有限制的。於是我不斷地減少請求數量,發現在5的時候就沒有丟包情況了。說明在這個程式裡一次最多只能發5個請求,雖然不多,但這也是一次小提升了。
7、使用Redis保存已經造訪過的使用者
#抓取使用者的過程中,發現有些使用者是已經造訪過的,而且他的追蹤者和追蹤了的用戶都已經取得過了,雖然在資料庫的層面做了重複資料的處理,但是程式還是會使用curl發請求,這樣重複的發送請求就有很多重複的網路開銷。還有一個就是待抓取的用戶需要暫時保存在一個地方以便下一次執行,剛開始是放到數組裡面,後來發現要在程式裡添加多進程,在多進程編程裡,子進程會共享程序代碼、函式庫,但是進程使用的變數與其他行程所使用的截然不同。不同進程之間的變數是分離的,不能被其他行程讀取,所以是不能使用陣列的。因此就想到了使用Redis快取來保存已經處理好的使用者以及待抓取的使用者。這樣每次執行完的時候都把使用者push到一個already_request_queue佇列中,把待抓取的使用者(即每個使用者的追蹤者和追蹤了的使用者清單)push到request_queue裡面,然後每次執行前都從request_queue裡pop一個用戶,然後判斷是否在already_request_queue裡面,如果在,則進行下一個,否則就繼續執行。
在PHP中使用redis範例:
1 2 3 4 5 6 7 8 |
<?php $redis = new Redis(); $redis->connect('127.0.0.1', '6379'); $redis->set('tmp', 'value'); if ($redis->exists('tmp')) { echo $redis->get('tmp') . "\n"; } |
8、使用PHP的pcntl擴充實作多進程
#改用了curl_multi函數實作多執行緒抓取使用者資訊之後,程式運行了一個晚上,最後得到的數據有10W。還不能達到自己的理想目標,於是就繼續優化,後來發現php裡面有一個pcntl擴充可以實現多進程程式設計。以下是多程式設計程式設計的範例:
##1 2 3 ##4##5 #6######7###8 #9 10 ##1112131415#161718 # #1920 |
//PHP多进程demo //fork10个进程 for ($i = 0; $i < 10; $i++) { $pid = pcntl_fork(); if ($pid == -1) { echo "Could not fork!\n"; exit(1); } if (!$pid) { echo "child process $i running\n"; //子进程执行完毕之后就退出,以免继续fork出新的子进程 exit($i); } } //等待子进程执行完毕,避免出现僵尸进程 while (pcntl_waitpid(0, $status) != -1) { $status = pcntl_wexitstatus($status); echo "Child $status completed\n"; } |
9、在Linux下查看系统的cpu信息
实现了多进程编程之后,就想着多开几条进程不断地抓取用户的数据,后来开了8调进程跑了一个晚上后发现只能拿到20W的数据,没有多大的提升。于是查阅资料发现,根据系统优化的CPU性能调优,程序的最大进程数不能随便给的,要根据CPU的核数和来给,最大进程数最好是cpu核数的2倍。因此需要查看cpu的信息来看看cpu的核数。在Linux下查看cpu的信息的命令:
1 |
cat /proc/cpuinfo |
結果如下:
其中,model name表示cpu型別訊息,cpu cores表示cpu核數。這裡的核數是1,因為是在虛擬機器下運行,分配到的cpu核數比較少,因此只能開2個進程。最終的結果是,花了一個週末就抓取了110萬的用戶資料。
10、多進程程式設計中Redis和MySQL連線問題
在多進程條件下,程式運行了一段時間後,發現數據不能插入到資料庫,會報mysql too many connections的錯誤,redis也是如此。
下面這段程式碼會執行失敗:
1 2 3 4 5 6 7 8 9 10 11 12 13 |
<?php for ($i = 0; $i < 10; $i++) { $pid = pcntl_fork(); if ($pid == -1) { echo "Could not fork!\n"; exit(1); } if (!$pid) { $redis = PRedis::getInstance(); // do something exit; } } |
根本原因是在各個子進程創建時,就已經繼承了父進程一份完全一樣的拷貝。物件可以拷貝,但是已創建的連接不能被拷貝成多個,由此產生的結果,就是各個進程都使用同一個redis連接,各幹各的事,最終產生莫名其妙的衝突。
解決方法: >程式無法完全保證在fork進程之前,父進程不會建立redis連線實例。因此,要解決這個問題只能靠子進程本身了。試想一下,如果在子進程中取得的實例只與目前進程相關,那麼這個問題就不存在了。於是解決方案就是稍微改造一下redis類別實例化的靜態方式,與目前進程ID綁定。
改造後的程式碼如下:
1 2 #3 4 #5 6 7 8 9 10 |
<?php public static function getInstance() { static $instances = array(); $key = getmypid();//获取当前进程ID if ($empty($instances[$key])) { $inctances[$key] = new self(); } return $instances[$key]; } |
11、PHP統計腳本執行時間
因為想知道每個行程花費的時間是多少,因此寫個函數統計腳本執行時間:
123456######7 ### 8 9 10 11 12 13 14 15 16 17 |
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\n"; |
以上就是本文的全部內容,供大家參考,希望對大家的學習有所幫助。
相關推薦:
以上是PHP爬蟲之百萬等級知乎用戶資料爬取與分析的詳細內容。更多資訊請關注PHP中文網其他相關文章!