php实现爬取和分析知乎用户数据

2020-03-22 16:22:12

字体：大中小

来源：转载

供稿：网友

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 $username str :用户名 flag * @return boolean :成功与否标志html' target='_blank'>public function spiderUser($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 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 崔小拽 /span preg_match('/ span.+ " 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.+ " 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" / 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 title="北京" preg_match('/ span.+ " location.+/" .+/"([/x{4e00}-/x{9fa5}]+)/" /u', $str, $match_city);$user_city = $match_city[1];// 匹配工作// span title="人见人骂的公司" 人见人骂的公司 /span preg_match('/ span.+ " employment.+/" .+/"([/x{4e00}-/x{9fa5}]+)/" /u', $str, $match_employment);$user_employ = $match_employment[1];// 匹配职位// span title="程序猿" a href="/topic/19590046" title="程序猿" data-token="19590046" data-topicid="13253" 程序猿 /a /span preg_match('/ span.+ " position.+/" .+/"([/x{4e00}-/x{9fa5}]+).+/" /u', $str, $match_position);$user_position = $match_position[1];// 匹配学历// span title="研究僧" 研究僧 /span preg_match('/ span.+ " education.+/" .+/"([/x{4e00}-/x{9fa5}]+)/" /u', $str, $match_education);$user_education = $match_education[1];// 工作情况// span title='挨踢' 挨踢 /span preg_match('/ span.+ " education-extra.+/" .+ ([/x{4e00}-/x{9fa5}]+) /u', $str, $match_education_extra);$user_education_extra = $match_education_extra[1];
// strong 41 个话题 /strong /a preg_match('/ " zg-link-litblue/" strong (/d+)/s.+strong /i', $str, $match_topic);$user_topic = $match_topic[1];// 关注人数// span 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 个人主页被 strong 17 /strong 人浏览 /span preg_match('/ " 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/bashps aux |grep spider |awk '{print $2}'|xargs kill -9sleep 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 崔小拽 /span preg_match('/ span.+ " 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.+ " 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" / 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 title="北京" preg_match('/ span.+ " location.+/" .+/"([/x{4e00}-/x{9fa5}]+)/" /u', $str, $match_city);$user_city = $match_city[1];// 匹配工作// span title="人见人骂的公司" 人见人骂的公司 /span preg_match('/ span.+ " employment.+/" .+/"([/x{4e00}-/x{9fa5}]+)/" /u', $str, $match_employment);$user_employ = $match_employment[1];// 匹配职位// span title="程序猿" a href="/topic/19590046" title="程序猿" data-token="19590046" data-topicid="13253" 程序猿 /a /span preg_match('/ span.+ " position.+/" .+/"([/x{4e00}-/x{9fa5}]+).+/" /u', $str, $match_position);$user_position = $match_position[1];// 匹配学历// span title="研究僧" 研究僧 /span preg_match('/ span.+ " education.+/" .+/"([/x{4e00}-/x{9fa5}]+)/" /u', $str, $match_education);$user_education = $match_education[1];// 工作情况// span title='挨踢' 挨踢 /span preg_match('/ span.+ " education-extra.+/" .+ ([/x{4e00}-/x{9fa5}]+) /u', $str, $match_education_extra);$user_education_extra = $match_education_extra[1];
// strong 41 个话题 /strong /a preg_match('/ " zg-link-litblue/" strong (/d+)/s.+strong /i', $str, $match_topic);$user_topic = $match_topic[1];// 关注人数// span 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 个人主页被 strong 17 /strong 人浏览 /span preg_match('/ " 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。PHP教程

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

上一篇：php强制转换类型和CMS远程管理插件的危险

下一篇：PHP中常用的加密解密方法总结