服务器之家

服务器之家 > 正文

php实现爬取和分析知乎用户数据

时间:2020-12-18 16:02     来源/作者:崔小拽

背景说明:小拽利用php的curl写的爬虫,实验性的爬取知乎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

php实现爬取和分析知乎用户数据

pc端分析数据截图

php实现爬取和分析知乎用户数据

整个爬取,分析,展现过程大概分如下几步,小拽将分别介绍

  1. curl爬取知乎网页数据

  2. 正则分析知乎网页数据

  3. 数据数据入库和程序部署

  4. 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https://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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
/**
 * 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_multipcntl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。

  1. // 获取用户头像 
  2. preg_match('/<img.+src="?([^s]+.(jpg|gif|bmp|bnp|png))"?.+>/i', $str, $match_img); 
  3. $img_url = $match_img[1]; 
  4.  
  5. // 匹配用户名: 
  6. // <span class="name">崔小拽</span> 
  7. preg_match('/<span.+class="?name"?>([x{4e00}-x{9fa5}]+).+span>/u', $str, $match_name); 
  8. $user_name = $match_name[1]; 
  9.  
  10. // 匹配用户简介 
  11. // class bio span 中文 
  12. preg_match('/<span.+class="?bio"?.+>([x{4e00}-x{9fa5}]+).+span>/u', $str, $match_title); 
  13. $user_title = $match_title[1]; 
  14.  
  15. // 匹配性别 
  16. //<input type="radio" name="gender" value="1" checked="checked" class="male"/> 男   
  17. // gender value1 ;结束 中文 
  18. preg_match('/<input.+name="?gender"?.+value="?1"?.+([x{4e00}-x{9fa5}]+).+;/u', $str, $match_sex); 
  19. $user_sex = $match_sex[1]; 
  20.  
  21. // 匹配地区 
  22. //<span class="location item" title="北京"> 
  23. preg_match('/<span.+class="?location.+"?.+"([x{4e00}-x{9fa5}]+)">/u', $str, $match_city); 
  24. $user_city = $match_city[1]; 
  25.  
  26. // 匹配工作 
  27. //<span class="employment item" title="人见人骂的公司">人见人骂的公司</span> 
  28. preg_match('/<span.+class="?employment.+"?.+"([x{4e00}-x{9fa5}]+)">/u', $str, $match_employment); 
  29. $user_employ = $match_employment[1]; 
  30.  
  31. // 匹配职位 
  32. // <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> 
  33. preg_match('/<span.+class="?position.+"?.+"([x{4e00}-x{9fa5}]+).+">/u', $str, $match_position); 
  34. $user_position = $match_position[1]; 
  35.  
  36. // 匹配学历 
  37. // <span class="education item" title="研究僧">研究僧</span> 
  38. preg_match('/<span.+class="?education.+"?.+"([x{4e00}-x{9fa5}]+)">/u', $str, $match_education); 
  39. $user_education = $match_education[1]; 
  40.  
  41. // 工作情况 
  42. // <span class="education-extra item" title='挨踢'>挨踢</span> 
  43. preg_match('/<span.+class="?education-extra.+"?.+>([x{4e00}- 
  44. x{9fa5}]+)</u', $str, $match_education_extra); 
  45. $user_education_extra = $match_education_extra[1]; 
  46.  
  47.  
  48. // 匹配关注话题数量 
  49. // class="zg-link-litblue"><strong>41 个话题</strong></a> 
  50. preg_match('/class="?zg-link-litblue"?><strong>(d+)s.+strong>/i', $str, $match_topic); 
  51. $user_topic = $match_topic[1]; 
  52.  
  53. // 关注人数 
  54. // <span class="zg-gray-normal">关注了 
  55. preg_match_all('/<strong>(d+)<.+<label>/i', $str, $match_care); 
  56. $user_care = $match_care[1][0]; 
  57. $user_be_careed = $match_care[1][1]; 
  58.  
  59. // 历史浏览量 
  60. // <span class="zg-gray-normal">个人主页被 <strong>17</strong> 人浏览</span> 
  61. preg_match('/class="?zg-gray-normal"?.+>(d+)<.+span>/i', $str, $match_browse); 
  62. $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

?
1
2
# 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。

?
1
2
3
4
5
6
7
8
#!/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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
// 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。
标签:

相关文章

热门资讯

2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
Intellij idea2020永久破解,亲测可用!!!
Intellij idea2020永久破解,亲测可用!!! 2020-07-29
歪歪漫画vip账号共享2020_yy漫画免费账号密码共享
歪歪漫画vip账号共享2020_yy漫画免费账号密码共享 2020-04-07
电视剧《琉璃》全集在线观看 琉璃美人煞1-59集免费观看地址
电视剧《琉璃》全集在线观看 琉璃美人煞1-59集免费观看地址 2020-08-12
最新idea2020注册码永久激活(激活到2100年)
最新idea2020注册码永久激活(激活到2100年) 2020-07-29
返回顶部