用php做爬蟲 百萬級(jí)別知乎用戶數(shù)據(jù)爬取與分析
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：
從結(jié)果可以看到，知乎的男女分布為61.7和38.3%，對(duì)于一個(gè)知識(shí)型、問答型的社區(qū)來說，已經(jīng)很優(yōu)秀了，女生再多一點(diǎn)的話，知乎差不多都可以做婚戀社區(qū)了，開個(gè)玩笑。
對(duì)了，在《爬了3000萬QQ用戶數(shù)據(jù)，挖出了花千骨趙麗穎的QQ號(hào)》 一文中，我們可以看到，除了沒有填寫姓名的用戶外，QQ空間的男女比例為56%和23%。這個(gè)數(shù)據(jù)可以作為一個(gè)參考。且不論女性多少，但看男性用戶，知乎只比QQ空間少了5%.
從職業(yè)分布來看，知乎用戶中，從事互聯(lián)網(wǎng)行業(yè)的用戶是最多的。傳統(tǒng)行業(yè)從業(yè)者相對(duì)較少，這和知乎的定位也有很大的關(guān)系。
北上廣深仍然是用戶人群最多的城市。值得注意的是，杭州用戶比廣州用戶還多，這說明杭州的互聯(lián)網(wǎng)行業(yè)發(fā)展迅猛，有阿里巴巴的緣故？
看懂啦？還是技術(shù)宅比較多，尤其是程序員。結(jié)合男女比例來看，知乎做到這樣的數(shù)據(jù)非常不易，從事互聯(lián)網(wǎng)行業(yè)的人較多，而這群人里面，還有38.3%是妹子哦。對(duì)了，女性分布為什么是38.3的比例？三八……
下面是技術(shù)正文：
開發(fā)前的準(zhǔn)備
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curl、pcntl擴(kuò)展。
使用PHP的curl擴(kuò)展抓取頁面數(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。
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?cè)跒g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 $result; //抓取的結(jié)果
運(yùn)行上面的代碼可以獲得mora-hu用戶的個(gè)人中心頁面。利用該結(jié)果再使用正則表達(dá)式對(duì)頁面進(jìn)行處理，就能獲取到姓名，性別等所需要抓取的信息。
圖片防盜鏈
在對(duì)返回結(jié)果進(jìn)行正則處理后輸出個(gè)人信息的時(shí)候，發(fā)現(xiàn)在頁面中輸出用戶頭像時(shí)無法打開。經(jīng)過查閱資料得知，是因?yàn)橹鯇?duì)圖片做了防盜鏈處理。解決方案就是請(qǐng)求圖片的時(shí)候在請(qǐng)求頭里偽造一個(gè)referer。
在使用正則表達(dá)式獲取到圖片的鏈接之后，再發(fā)一次請(qǐng)求，這時(shí)候帶上圖片請(qǐng)求的來源，說明該請(qǐng)求來自知乎網(wǎng)站的轉(zhuǎn)發(fā)。具體例子如下：
- function getImg($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"//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';
- }
爬取更多用戶
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：
右鍵點(diǎn)擊可放大
分析頁面的html結(jié)構(gòu)，因?yàn)橹灰玫接脩舻男畔?，所以只需要框住的這一塊的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。
Linux統(tǒng)計(jì)文件數(shù)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(zhǎng)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(zhǎng)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：
插入MySQL時(shí)重復(fù)數(shù)據(jù)的處理
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…
使用curl_multi實(shí)現(xiàn)I/O復(fù)用抓取頁面
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，這是一種I/O復(fù)用的機(jī)制。下面是使用curl_multi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)話中添加單獨(dú)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;
HTTP 429 Too Many Requests
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(cè)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(cè)，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。
使用Redis保存已經(jīng)訪問過的用戶
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：
- <?php
- $redis = new Redis();
- $redis->connect('127.0.0.1', '6379');
- $redis->set('tmp', 'value');
- if ($redis->exists('tmp'))
- {
- echo $redis->get('tmp') . "\n";
- }
使用PHP的pcntl擴(kuò)展實(shí)現(xiàn)多進(jìn)程
改用了curl_multi函數(shù)實(shí)現(xiàn)多線程抓取用戶信息之后，程序運(yùn)行了一個(gè)晚上，最終得到的數(shù)據(jù)有10W。還不能達(dá)到自己的理想目標(biāo)，于是便繼續(xù)優(yōu)化，后來發(fā)現(xiàn)php里面有一個(gè)pcntl擴(kuò)展可以實(shí)現(xiàn)多進(jìn)程編程。下面是多編程編程的示例：
- //PHP多進(jìn)程demo
- //fork10個(gè)進(jìn)程
- for ($i = 0; $i < 10; $i++) {
- $pid = pcntl_fork();
- if ($pid == -1) {
- echo "Could not fork!\n";
- exit(1);
- }
- if (!$pid) {
- echo "child process $i running\n";
- //子進(jìn)程執(zhí)行完畢之后就退出，以免繼續(xù)fork出新的子進(jìn)程
- exit($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 $status completed\n";
- }
在Linux下查看系統(tǒng)的cpu信息
實(shí)現(xiàn)了多進(jìn)程編程之后，就想著多開幾條進(jìn)程不斷地抓取用戶的數(shù)據(jù)，后來開了8調(diào)進(jìn)程跑了一個(gè)晚上后發(fā)現(xiàn)只能拿到20W的數(shù)據(jù)，沒有多大的提升。于是查閱資料發(fā)現(xiàn)，根據(jù)系統(tǒng)優(yōu)化的CPU性能調(diào)優(yōu)，程序的最大進(jìn)程數(shù)不能隨便給的，要根據(jù)CPU的核數(shù)和來給，最大進(jìn)程數(shù)最好是cpu核數(shù)的2倍。因此需要查看cpu的信息來看看cpu的核數(shù)。在Linux下查看cpu的信息的命令：
cat /proc/cpuinfo
右鍵點(diǎn)擊可放大
其中，model name表示cpu類型信息，cpu cores表示cpu核數(shù)。這里的核數(shù)是1，因?yàn)槭窃谔摂M機(jī)下運(yùn)行，分配到的cpu核數(shù)比較少，因此只能開2條進(jìn)程。最終的結(jié)果是，用了一個(gè)周末就抓取了110萬的用戶數(shù)據(jù)。
多進(jìn)程編程中Redis和MySQL連接問題
在多進(jìn)程條件下，程序運(yùn)行了一段時(shí)間后，發(fā)現(xiàn)數(shù)據(jù)不能插入到數(shù)據(jù)庫，會(huì)報(bào)mysql too many connections的錯(cuò)誤，redis也是如此。
下面這段代碼會(huì)執(zhí)行失?。?/p>
- <?php
- for ($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(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。
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。
- <?php
- public static function getInstance() {
- static $instances = array();
- $key = getmypid();//獲取當(dāng)前進(jìn)程ID
- if ($empty($instances[$key])) {
- $inctances[$key] = new self();
- }
- return $instances[$key];
- }
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\n";
若文中有不正確的地方，望各位指出以便改正。
