看了不少朋友圈里推薦的Python爬蟲文章，都覺得太小兒科，處理內(nèi)容本來就是PHP的強項，Python唯一的好處估計也就天生的Linux自 帶，和Perl一樣，這點覺得挺不夠意思的Linux，還是Mac厚道，天生就自帶了Python、Perl、PHP、Ruby，當然我也很討厭討論一門 語言的好壞，每門語言存在就一定有它的道理，反正PHP是全世界最好用的語言，大家都懂的^_^

前幾天比較火的是一個人用C#寫了一個多線程爬蟲程序，抓取了QQ空間3000萬QQ用戶， 其中有300萬用戶是有QQ號、昵稱、空間名稱等信息的，也就是說，有詳情也就300萬，跑了兩周，這沒什么，為了證明PHP是全世界最好的語言，雖然大 家都懂的^_^，我用PHP寫了一個多進程爬蟲程序，只用了一天時間，就抓了知乎100萬用戶，目前跑到第8圈(depth=8)互相有關聯(lián)(關注了和關 注者)的用戶。

爬蟲程序設計：

因為知乎需要登錄才能獲取到關注者頁面，所以從chrome登錄之后把cookie拷貝下來給curl程序模擬登錄。

使用兩大獨立循環(huán)進程組(用戶索引進程組、用戶詳情進程組)，用的是php的pcntl擴展，封裝了一個非常好用的類，使用起來和golang的攜程也差不多了。

下面是用戶詳情的截圖，用戶索引代碼類似

這里插個題外話，經(jīng)過測試，我的8核的Macbook，跑16進程的速度最快，而16核的Linux服務器，居然是跑8進程最快，這點有點讓我莫名其妙了，不過既然測試出最后進程數(shù)，就按照最后設置就好啦。

1、用戶索引進程組先以一個用戶為起點，抓取這個用戶的關注了和關注者，然后合并入庫，因為是多進程，所以當有兩個進程在處理同一個用戶入庫的時候 就會出現(xiàn)重復的用戶，所以數(shù)據(jù)庫用戶名字段一定要建立唯一索引，當然也可以用redis這些第三方緩存來保證原子性，這個就見仁見智了。

通過步驟一之后，我們就得到下面的用戶列表：

2、用戶詳情進程組按照時間正序，拿到最先入庫的用戶抓取詳情，并且把更新時間更新為當前時間，這樣就可以變成一個死循環(huán)，程序可以無休止的跑，不斷的循環(huán)更新用戶信息。

程序穩(wěn)定運行到第二天，突然沒有新數(shù)據(jù)了，檢查了一下發(fā)現(xiàn)知乎改規(guī)則了，不知是為了防我，還是碰巧，反正給我返回的數(shù)據(jù)是這樣的

第一感覺就是胡亂給我輸出數(shù)據(jù)讓我采集不到，換了IP、模擬偽裝了些數(shù)據(jù)，都沒用，突然感覺這個很熟悉，會不會是gzip？抱著懷疑的態(tài)度，試了試gzip，首先當然是告訴知乎不要給我gzip壓縮過的數(shù)據(jù)

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

看來知乎是強制要給我gzip壓縮數(shù)據(jù)了，既然如此，那我就解壓唄，查了一下php解壓gzip，發(fā)現(xiàn)就一個函數(shù)gzinflate，于是把獲取到得內(nèi)容加上：

$content = substr($content, 10);

$content = gzinflate($content));

這里我真想說，PHP真的是全世界最好的語言，就兩個函數(shù)，就徹底解決了問題，程序又歡快的跑起來了。

在匹配內(nèi)容的時候，知乎的細心也是給了我無數(shù)的幫助，例如我要分清用戶性別：

哈哈開玩笑的拉，其實是樣式里面有 icon-profile-female 和 icon-profile-male ^_^

我蛋疼的抓了它那么多用戶，到底有什么用呢？

其實沒什么用，我就是閑的蛋疼 ^_^

有了這些信息，其實就可以做一些別人開頭閉口就亂吹一通的大數(shù)據(jù)分析拉

最常見的當然是：

1、性別分布

2、地域分布

3、職業(yè)分布

4、每個職業(yè)的男女比例

當然，按照關注人數(shù)、瀏覽人數(shù)、提問數(shù)、回答數(shù)等排序，看看人民都在關注什么，民生、社會、地理、政治，整個互聯(lián)網(wǎng)都盡收眼底拉。。

也許，你還可以把頭像拿來分析，用開源的驗黃程序，把色情的篩選出來，然后去拯救東莞？ ^_^

然后，你還可以看看那些大學出來的人，最后都干了什么。

有了這些數(shù)據(jù)，是不是可以打開腦洞 ^_^

下面是利用這些數(shù)據(jù)做出來的一些有趣的圖表，實時圖表數(shù)據(jù)可以去 http://www.epooll.com/zhihu/ 上看