php实现爬取和分析知乎用户数据


            背景说明：小拽利用php的curl写的爬虫，实验性的爬取了知乎5w用户的基本信息；同时，针对爬取的数据，进行了简单的分析呈现。

php的spider代码和用户dashboard的展现代码，整理后上传github，在个人博客和公众号更新代码库，程序仅供娱乐和学习交流；如果有侵犯知乎相关权益，请尽快联系本人删除。

无图无真相

移动端分析数据截图



pc端分析数据截图



整个爬取，分析，展现过程大概分如下几步，小拽将分别介绍



  curl爬取知乎网页数据

  正则分析知乎网页数据

  数据数据入库和程序部署

  数据分析和呈现



curl爬取网页数据

PHP的curl扩展是PHP支持的，允许你与各种服务器使用各种类型的协议进行连接和通信的库。是一个非常便捷的抓取网页的工具，同时，支持多线程扩展。

本程序抓取的是知乎对外提供用户访问的个人信息页面http://www.zhihu.com/people/xxx,抓取过程需要携带用户cookie才能获取页面。直接上码

获取页面cookie

复制代码 代码如下:

// 登录知乎，打开个人中心，打开控制台，获取cookie

document.cookie

"_za=67254197-3wwb8d-43f6-94f0-fb0e2d521c31; _ga=GA1.2.2142818188.1433767929; q_c1=78ee1604225d47d08cddd8142a08288b23|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"



抓取个人中心页面



通过curl，携带cookie，先抓取本人中心页面





/**

 * 通过用户名抓取个人中心页面并存储

 * 

 * @param $username str :用户名 flag

 * @return boolean   :成功与否标志

 */

public function spiderUser($username)

{

  $cookie = "xxxx" ;

  $url_info = 'http://www.zhihu.com/people/' . $username; //此处cui-xiao-zhuai代表用户ID,可以直接看url获取本人id

  $ch = curl_init($url_info); //初始化会话

  curl_setopt($ch, CURLOPT_HEADER, 0);

  curl_setopt($ch, CURLOPT_COOKIE, $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);



   file_put_contents('/home/work/zxdata_ch/php/zhihu_spider/file/'.$username.'.html',$result);

   return true;

 }



正则分析网页数据分析新链接，进一步爬取

对于抓取过来的网页进行存储，要想进行进一步的爬取，页面必须包含有可用于进一步爬取用户的链接。通过对知乎页面分析发现：在个人中心页面中有关注人和部分点赞人和被关注人。

如下所示

复制代码 代码如下:

// 抓取的html页面中发现了新的用户，可用于爬虫

<a class="zm-item-link-avatar avatar-link" href="/people/new-user" data-tip="p$t$new-user">



ok，这样子就可以通过自己-》关注人-》关注人的关注人-》。。。进行不断爬取。接下来就是通过正则匹配提取该信息

复制代码 代码如下:

// 匹配到抓取页面的所有用户

preg_match_all('/\/people\/([\w-]+)\"/i', $str, $match_arr);

// 去重合并入新的用户数组,用户进一步抓取

self::$newUserArr = array_unique(array_merge($match_arr[1], self::$newUserArr));



到此，整个爬虫过程就可以顺利进行了。

如果需要大量的抓取数据，可以研究下curl_multi和pcntl进行多线程的快速抓取，此处不做赘述。

分析用户数据，提供分析

通过正则可以进一步匹配出更多的该用户数据，直接上码。





// 获取用户头像

preg_match('/<img.+src=\"?([^\s]+\.(jpg|gif|bmp|bnp|png))\"?.+>/i', $str, $match_img);

$img_url = $match_img[1];



// 匹配用户名：

// <span class="name">崔小拽</span>

preg_match('/<span.+class=\"?name\"?>([\x{4e00}-\x{9fa5}]+).+span>/u', $str, $match_name);

$user_name = $match_name[1];



// 匹配用户简介

// class bio span 中文

preg_match('/<span.+class=\"?bio\"?.+\>([\x{4e00}-\x{9fa5}]+).+span>/u', $str, $match_title);

$user_title = $match_title[1];



// 匹配性别

//<input type="radio" name="gender" value="1" checked="checked" class="male"/> 男  

// gender value1 ;结束 中文

preg_match('/<input.+name=\"?gender\"?.+value=\"?1\"?.+([\x{4e00}-\x{9fa5}]+).+\;/u', $str, $match_sex);

$user_sex = $match_sex[1];



// 匹配地区

//<span class="location item" title="北京">

preg_match('/<span.+class=\"?location.+\"?.+\"([\x{4e00}-\x{9fa5}]+)\">/u', $str, $match_city);

$user_city = $match_city[1];



// 匹配工作

//<span class="employment item" title="人见人骂的公司">人见人骂的公司</span>

preg_match('/<span.+class=\"?employment.+\"?.+\"([\x{4e00}-\x{9fa5}]+)\">/u', $str, $match_employment);

$user_employ = $match_employment[1];



// 匹配职位

// <span class="position item" title="程序猿"><a href="/topic/19590046" title="程序猿" class="topic-link" data-token="19590046" data-topicid="13253">程序猿</a></span>

preg_match('/<span.+class=\"?position.+\"?.+\"([\x{4e00}-\x{9fa5}]+).+\">/u', $str, $match_position);

$user_position = $match_position[1];



// 匹配学历

// <span class="education item" title="研究僧">研究僧</span>

preg_match('/<span.+class=\"?education.+\"?.+\"([\x{4e00}-\x{9fa5}]+)\">/u', $str, $match_education);

$user_education = $match_education[1];



// 工作情况

// <span class="education-extra item" title='挨踢'>挨踢</span>

preg_match('/<span.+class=\"?education-extra.+\"?.+>([\x{4e00}-

\x{9fa5}]+)</u', $str, $match_education_extra);

$user_education_extra = $match_education_extra[1];





// 匹配关注话题数量

// class="zg-link-litblue"><strong>41 个话题</strong></a>

preg_match('/class=\"?zg-link-litblue\"?><strong>(\d+)\s.+strong>/i', $str, $match_topic);

$user_topic = $match_topic[1];



// 关注人数

// <span class="zg-gray-normal">关注了

preg_match_all('/<strong>(\d+)<.+<label>/i', $str, $match_care);

$user_care = $match_care[1][0];

$user_be_careed = $match_care[1][1];



// 历史浏览量

// <span class="zg-gray-normal">个人主页被 <strong>17</strong> 人浏览</span>

preg_match('/class=\"?zg-gray-normal\"?.+>(\d+)<.+span>/i', $str, $match_browse);

$user_browse = $match_browse[1];





在抓取的过程中，有条件的话，一定要通过redis入库，确实能提升抓取和入库效率。没有条件的话只能通过sql优化。这里来几发心德。

数据库表设计索引一定要慎重。在spider爬取的过程中，建议出了用户名，左右字段都不要索引，包括主键都不要，尽可能的提高入库效率，试想5000w的数据，每次添加一个，建立索引需要多少消耗。等抓取完毕，需要分析数据时，批量建立索引。

数据入库和更新操作，一定要批量。 mysql 官方给出的增删改的建议和速度：http://dev.mysql.com/doc/refman/5.7/en/insert-speed.html





# 官方的最优批量插入

INSERT INTO yourtable VALUES (1,2), (5,5), ...;



部署操作。程序在抓取过程中，有可能会出现异常挂掉，为了保证高效稳定，尽可能的写一个定时脚本。每隔一段时间干掉，重新跑，这样即使异常挂掉也不会浪费太多宝贵时间，毕竟，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 &  



数据分析呈现

数据的呈现主要使用echarts 3.0，感觉对于移动端兼容还不错。兼容移动端的页面响应式布局主要通过几个简单的css控制，代码如下





// 获取用户头像

preg_match('/<img.+src=\"?([^\s]+\.(jpg|gif|bmp|bnp|png))\"?.+>/i', $str, $match_img);

$img_url = $match_img[1];



// 匹配用户名：

// <span class="name">崔小拽</span>

preg_match('/<span.+class=\"?name\"?>([\x{4e00}-\x{9fa5}]+).+span>/u', $str, $match_name);

$user_name = $match_name[1];



// 匹配用户简介

// class bio span 中文

preg_match('/<span.+class=\"?bio\"?.+\>([\x{4e00}-\x{9fa5}]+).+span>/u', $str, $match_title);

$user_title = $match_title[1];



// 匹配性别

//<input type="radio" name="gender" value="1" checked="checked" class="male"/> 男  

// gender value1 ;结束 中文

preg_match('/<input.+name=\"?gender\"?.+value=\"?1\"?.+([\x{4e00}-\x{9fa5}]+).+\;/u', $str, $match_sex);

$user_sex = $match_sex[1];



// 匹配地区

//<span class="location item" title="北京">

preg_match('/<span.+class=\"?location.+\"?.+\"([\x{4e00}-\x{9fa5}]+)\">/u', $str, $match_city);

$user_city = $match_city[1];



// 匹配工作

//<span class="employment item" title="人见人骂的公司">人见人骂的公司</span>

preg_match('/<span.+class=\"?employment.+\"?.+\"([\x{4e00}-\x{9fa5}]+)\">/u', $str, $match_employment);

$user_employ = $match_employment[1];



// 匹配职位

// <span class="position item" title="程序猿"><a href="/topic/19590046" title="程序猿" class="topic-link" data-token="19590046" data-topicid="13253">程序猿</a></span>

preg_match('/<span.+class=\"?position.+\"?.+\"([\x{4e00}-\x{9fa5}]+).+\">/u', $str, $match_position);

$user_position = $match_position[1];



// 匹配学历

// <span class="education item" title="研究僧">研究僧</span>

preg_match('/<span.+class=\"?education.+\"?.+\"([\x{4e00}-\x{9fa5}]+)\">/u', $str, $match_education);

$user_education = $match_education[1];



// 工作情况

// <span class="education-extra item" title='挨踢'>挨踢</span>

preg_match('/<span.+class=\"?education-extra.+\"?.+>([\x{4e00}-

\x{9fa5}]+)</u', $str, $match_education_extra);

$user_education_extra = $match_education_extra[1];





// 匹配关注话题数量

// class="zg-link-litblue"><strong>41 个话题</strong></a>

preg_match('/class=\"?zg-link-litblue\"?><strong>(\d+)\s.+strong>/i', $str, $match_topic);

$user_topic = $match_topic[1];



// 关注人数

// <span class="zg-gray-normal">关注了

preg_match_all('/<strong>(\d+)<.+<label>/i', $str, $match_care);

$user_care = $match_care[1][0];

$user_be_careed = $match_care[1][1];



// 历史浏览量

// <span class="zg-gray-normal">个人主页被 <strong>17</strong> 人浏览</span>

preg_match('/class=\"?zg-gray-normal\"?.+>(\d+)<.+span>/i', $str, $match_browse);

$user_browse = $match_browse[1];





不足和待学习

整个过程中涉及php,shell,js,css,html,正则等语言和部署等基础知识，但还有诸多需要改进完善，小拽特此记录，后续补充例：



  php 采用multicul进行多线程。

  正则匹配进一步优化

  部署和抓取过程采用redis提升存储

  移动端布局的兼容性提升

  js的模块化和sass书写css。