PHP爬虫:百万级别知乎用户数据爬取与分析

本文涉及的产品
Redis 开源版,标准版 2GB
推荐场景:
搭建游戏排行榜
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
云数据库 Tair(兼容Redis),内存型 2GB
简介:

这次抓取了110万的用户数据,数据分析结果如下:

开发前的准备

安装Linux系统(Ubuntu14.04),在VMWare虚拟机下安装一个Ubuntu;

安装PHP5.6或以上版本;

安装MySQL5.5或以上版本;

安装curl、pcntl扩展。

使用PHP的curl扩展抓取页面数据

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。

本程序是抓取知乎的用户数据,要能访问用户个人页面,需要用户登录后的才能访问。当我们在浏览器的页面中点击一个用户头像链接进入用户个人中心页面 的时候,之所以能够看到用户的信息,是因为在点击链接的时候,浏览器帮你将本地的cookie带上一齐提交到新的页面,所以你就能进入到用户的个人中心页 面。因此实现访问个人页面之前需要先获得用户的cookie信息,然后在每次curl请求的时候带上cookie信息。在获取cookie信息方面,我是 用了自己的cookie,在页面中可以看到自己的cookie信息:

一个个地复制,以”__utma=?;__utmb=?;”这样的形式组成一个cookie字符串。接下来就可以使用该cookie字符串来发送请求。

初始的示例:


 
 
  1. $url = 'http://www.zhihu.com/people/mora-hu/about'; //此处mora-hu代表用户ID 
  2. $ch = curl_init($url); //初始化会话 
  3. curl_setopt($ch, CURLOPT_HEADER, 0); 
  4. curl_setopt($ch, CURLOPT_COOKIE, $this->config_arr['user_cookie']);  //设置请求COOKIE 
  5. curl_setopt($ch, CURLOPT_USERAGENT, $_SERVER['HTTP_USER_AGENT']); 
  6. curl_setopt($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。 
  7. curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);  
  8. $result = curl_exec($ch); 
  9. return $result;  //抓取的结果 

运行上面的代码可以获得mora-hu用户的个人中心页面。利用该结果再使用正则表达式对页面进行处理,就能获取到姓名,性别等所需要抓取的信息。

图片防盗链

在对返回结果进行正则处理后输出个人信息的时候,发现在页面中输出用户头像时无法打开。经过查阅资料得知,是因为知乎对图片做了防盗链处理。解决方案就是请求图片的时候在请求头里伪造一个referer。

在使用正则表达式获取到图片的链接之后,再发一次请求,这时候带上图片请求的来源,说明该请求来自知乎网站的转发。具体例子如下:


 
 
  1. function getImg($url, $u_id) 
  2.     if (file_exists('./images/' . $u_id . ".jpg")) 
  3.     { 
  4.         return "images/$u_id" . '.jpg'
  5.     } 
  6.     if (empty($url)) 
  7.     { 
  8.         return ''
  9.     } 
  10.     $context_options = array(  
  11.         'http' =>  
  12.         array( 
  13.             'header' => "Referer:http://www.zhihu.com"//带上referer参数 
  14.     ) 
  15. ); 
  16.  
  17.     $context = stream_context_create($context_options);  
  18.     $img = file_get_contents('http:' . $url, FALSE, $context); 
  19.     file_put_contents('./images/' . $u_id . ".jpg", $img); 
  20.     return "images/$u_id" . '.jpg'

爬取更多用户

抓取了自己的个人信息后,就需要再访问用户的关注者和关注了的用户列表获取更多的用户信息。然后一层一层地访问。可以看到,在个人中心页面里,有两个链接如下:

这里有两个链接,一个是关注了,另一个是关注者,以“关注了”的链接为例。用正则匹配去匹配到相应的链接,得到url之后用curl带上cookie再发一次请求。抓取到用户关注了的用于列表页之后,可以得到下面的页面:

分析页面的html结构,因为只要得到用户的信息,所以只需要框住的这一块的div内容,用户名都在这里面。可以看到,用户关注了的页面的url是:

不同的用户的这个url几乎是一样的,不同的地方就在于用户名那里。用正则匹配拿到用户名列表,一个一个地拼url,然后再逐个发请求(当然,一个 一个是比较慢的,下面有解决方案,这个稍后会说到)。进入到新用户的页面之后,再重复上面的步骤,就这样不断循环,直到达到你所要的数据量。

Linux统计文件数量

脚本跑了一段时间后,需要看看究竟获取了多少图片,当数据量比较大的时候,打开文件夹查看图片数量就有点慢。脚本是在Linux环境下运行的,因此可以使用Linux的命令来统计文件数量:

ls -l | grep "^-" | wc -l

其中, ls -l 是长列表输出该目录下的文件信息(这里的文件可以是目录、链接、设备文件等); grep "^-" 过滤长列表输出信息, "^-" 只保留一般文件,如果只保留目录是 "^d" ; wc -l 是统计输出信息的行数。下面是一个运行示例:

插入MySQL时重复数据的处理

程序运行了一段时间后,发现有很多用户的数据是重复的,因此需要在插入重复用户数据的时候做处理。处理方案如下:

1)插入数据库之前检查数据是否已经存在数据库;

2)添加唯一索引,插入时使用 INSERT INTO ... ON DUPLICATE KEY UPDATE...

3)添加唯一索引,插入时使用 INSERT INGNORE INTO...

4)添加唯一索引,插入时使用 REPLACE INTO...

第一种方案是最简单但也是效率最差的方案,因此不采取。二和四方案的执行结果是一样的,不同的是,在遇到相同的数据时, INSERT INTO … ON DUPLICATE KEY UPDATE 是直接更新的,而 REPLACE INTO 是先删除旧的数据然后插入新的,在这个过程中,还需要重新维护索引,所以速度慢。所以在二和四两者间选择了第二种方案。而第三种方案, INSERT INGNORE 会忽略执行INSERT语句出现的错误,不会忽略语法问题,但是忽略主键存在的情况。这样一来,使用 INSERT INGNORE 就更好了。最终,考虑到要在数据库中记录重复数据的条数,因此在程序中采用了第二种方案。

使用curl_multi实现多线程抓取页面

刚开始单进程而且单个curl去抓取数据,速度很慢,挂机爬了一个晚上只能抓到2W的数据,于是便想到能不能在进入新的用户页面发curl请求的时 候一次性请求多个用户,后来发现了curl_multi这个好东西。curl_multi这类函数可以实现同时请求多个url,而不是一个个请求,这类似 于linux系统中一个进程开多条线程执行的功能。下面是使用curl_multi实现多线程爬虫的示例:


 
 
  1. $mh = curl_multi_init(); //返回一个新cURL批处理句柄 
  2. for ($i = 0; $i < $max_size; $i++) 
  3.     $ch = curl_init();  //初始化单个cURL会话 
  4.     curl_setopt($ch, CURLOPT_HEADER, 0); 
  5.     curl_setopt($ch, CURLOPT_URL, 'http://www.zhihu.com/people/' . $user_list[$i] . '/about'); 
  6.     curl_setopt($ch, CURLOPT_COOKIE, self::$user_cookie); 
  7.     curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.130 Safari/537.36'); 
  8.     curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); 
  9.     curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); 
  10.     $requestMap[$i] = $ch; 
  11.     curl_multi_add_handle($mh, $ch);  //向curl批处理会话中添加单独的curl句柄 
  12.  
  13. $user_arr = array(); 
  14. do { 
  15.                 //运行当前 cURL 句柄的子连接 
  16.     while (($cme = curl_multi_exec($mh, $active)) == CURLM_CALL_MULTI_PERFORM); 
  17.  
  18.     if ($cme != CURLM_OK) {break;} 
  19.                 //获取当前解析的cURL的相关传输信息 
  20.     while ($done = curl_multi_info_read($mh)) 
  21.     { 
  22.         $info = curl_getinfo($done['handle']); 
  23.         $tmp_result = curl_multi_getcontent($done['handle']); 
  24.         $error = curl_error($done['handle']); 
  25.  
  26.         $user_arr[] = array_values(getUserInfo($tmp_result)); 
  27.  
  28.         //保证同时有$max_size个请求在处理 
  29.         if ($i < sizeof($user_list) && isset($user_list[$i]) && $i < count($user_list)) 
  30.         { 
  31.             $ch = curl_init(); 
  32.             curl_setopt($ch, CURLOPT_HEADER, 0); 
  33.             curl_setopt($ch, CURLOPT_URL, 'http://www.zhihu.com/people/' . $user_list[$i] . '/about'); 
  34.             curl_setopt($ch, CURLOPT_COOKIE, self::$user_cookie); 
  35.             curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.130 Safari/537.36'); 
  36.             curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); 
  37.             curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); 
  38.             $requestMap[$i] = $ch; 
  39.             curl_multi_add_handle($mh, $ch); 
  40.  
  41.             $i++; 
  42.         } 
  43.  
  44.         curl_multi_remove_handle($mh, $done['handle']); 
  45.     } 
  46.  
  47.     if ($active) 
  48.         curl_multi_select($mh, 10); 
  49. while ($active); 
  50.  
  51. curl_multi_close($mh); 
  52. return $user_arr; 

HTTP 429 Too Many Requests

使用curl_multi函数可以同时发多个请求,但是在执行过程中使同时发200个请求的时候,发现很多请求无法返回了,即发现了丢包的情况。进 一步分析,使用 curl_getinfo 函数打印每个请求句柄信息,该函数返回一个包含HTTP response信息的关联数组,其中有一个字段是http_code,表示请求返回的HTTP状态码。看到有很多个请求的http_code都是 429,这个返回码的意思是发送太多请求了。我猜是知乎做了防爬虫的防护,于是我就拿其他的网站来做测试,发现一次性发200个请求时没问题的,证明了我 的猜测,知乎在这方面做了防护,即一次性的请求数量是有限制的。于是我不断地减少请求数量,发现在5的时候就没有丢包情况了。说明在这个程序里一次性最多 只能发5个请求,虽然不多,但这也是一次小提升了。

使用Redis保存已经访问过的用户

抓取用户的过程中,发现有些用户是已经访问过的,而且他的关注者和关注了的用户都已经获取过了,虽然在数据库的层面做了重复数据的处理,但是程序还 是会使用curl发请求,这样重复的发送请求就有很多重复的网络开销。还有一个就是待抓取的用户需要暂时保存在一个地方以便下一次执行,刚开始是放到数组 里面,后来发现要在程序里添加多进程,在多进程编程里,子进程会共享程序代码、函数库,但是进程使用的变量与其他进程所使用的截然不同。不同进程之间的变 量是分离的,不能被其他进程读取,所以是不能使用数组的。因此就想到了使用Redis缓存来保存已经处理好的用户以及待抓取的用户。这样每次执行完的时候 都把用户push到一个already_request_queue队列中,把待抓取的用户(即每个用户的关注者和关注了的用户列表)push到 request_queue里面,然后每次执行前都从request_queue里pop一个用户,然后判断是否在 already_request_queue里面,如果在,则进行下一个,否则就继续执行。

在PHP中使用redis示例:


 
 
  1. <php 
  2.     $redis = new Redis(); 
  3.     $redis->connect('127.0.0.1''6379'); 
  4.     $redis->set('tmp''value'); 
  5.     if ($redis->exists('tmp')) 
  6.     { 
  7.         echo $redis->get('tmp') . "\n"
  8.     } 

使用PHP的pcntl扩展实现多进程

改用了curl_multi函数实现多线程抓取用户信息之后,程序运行了一个晚上,最终得到的数据有10W。还不能达到自己的理想目标,于是便继续优化,后来发现php里面有一个pcntl扩展可以实现多进程编程。下面是多编程编程的示例:


 
 
  1. //PHP多进程demo 
  2. //fork10个进程 
  3. for ($i = 0; $i < 10; $i++) { 
  4.     $pid = pcntl_fork(); 
  5.     if ($pid == -1) { 
  6.         echo "Could not fork!\n"
  7.         exit(1); 
  8.     } 
  9.     if (!$pid) { 
  10.         echo "child process $i running\n"
  11.         //子进程执行完毕之后就退出,以免继续fork出新的子进程 
  12.         exit($i); 
  13.     } 
  14.  
  15. //等待子进程执行完毕,避免出现僵尸进程 
  16. while (pcntl_waitpid(0, $status) != -1) { 
  17.     $status = pcntl_wexitstatus($status); 
  18.     echo "Child $status completed\n"

在Linux下查看系统的cpu信息

实现了多进程编程之后,就想着多开几条进程不断地抓取用户的数据,后来开了8调进程跑了一个晚上后发现只能拿到20W的数据,没有多大的提升。于是 查阅资料发现,根据系统优化的CPU性能调优,程序的最大进程数不能随便给的,要根据CPU的核数和来给,最大进程数最好是cpu核数的2倍。因此需要查 看cpu的信息来看看cpu的核数。在Linux下查看cpu的信息的命令:


 
 
  1. cat /proc/cpuinfo 

结果如下:

其中,model name表示cpu类型信息,cpu cores表示cpu核数。这里的核数是1,因为是在虚拟机下运行,分配到的cpu核数比较少,因此只能开2条进程。最终的结果是,用了一个周末就抓取了110万的用户数据。

多进程编程中Redis和MySQL连接问题

在多进程条件下,程序运行了一段时间后,发现数据不能插入到数据库,会报mysql too many connections的错误,redis也是如此。

下面这段代码会执行失败:


 
 
  1. <php 
  2.      for ($i = 0; $i < 10; $i++) { 
  3.           $pid = pcntl_fork(); 
  4.           if ($pid == -1) { 
  5.                echo "Could not fork!\n"
  6.                exit(1); 
  7.           } 
  8.           if (!$pid) { 
  9.                $redis = PRedis::getInstance(); 
  10.                // do something     
  11.                exit; 
  12.           } 
  13.      } 

根本原因是在各个子进程创建时,就已经继承了父进程一份完全一样的拷贝。对象可以拷贝,但是已创建的连接不能被拷贝成多个,由此产生的结果,就是各个进程都使用同一个redis连接,各干各的事,最终产生莫名其妙的冲突。

解决方法: >程序不能完全保证在fork进程之前,父进程不会创建redis连接实例。因此,要解决这个问题只能靠子进程本身了。试想一下,如果在子进程中获 取的实例只与当前进程相关,那么这个问题就不存在了。于是解决方案就是稍微改造一下redis类实例化的静态方式,与当前进程ID绑定起来。

改造后的代码如下:


 
 
  1. <php 
  2.      public static function getInstance() { 
  3.           static $instances = array(); 
  4.           $key = getmypid();//获取当前进程ID 
  5.           if ($empty($instances[$key])) { 
  6.                $inctances[$key] = new self(); 
  7.           } 
  8.  
  9.           return $instances[$key]; 
  10.      } 

PHP统计脚本执行时间

因为想知道每个进程花费的时间是多少,因此写个函数统计脚本执行时间:


 
 
  1. function microtime_float() 
  2.      list($u_sec, $sec) = explode(' ', microtime()); 
  3.      return (floatval($u_sec) + floatval($sec)); 
  4.  
  5. $start_time = microtime_float(); 
  6.  
  7. //do something 
  8. usleep(100); 
  9.  
  10. $end_time = microtime_float(); 
  11. $total_time = $end_time - $start_time; 
  12.  
  13. $time_cost = sprintf("%.10f", $total_time); 
  14.  
  15. echo "program cost total " . $time_cost . "s\n"

若文中有不正确的地方,望各位指出以便改正。


来源:51CTO

相关文章
|
2月前
|
数据采集 API 数据处理
Objective-C 音频爬虫:实时接收数据的 didReceiveData: 方法
Objective-C 音频爬虫:实时接收数据的 didReceiveData: 方法
|
14天前
|
XML 前端开发 JavaScript
PHP与Ajax在Web开发中的交互技术。PHP作为服务器端脚本语言,处理数据和业务逻辑
本文深入探讨了PHP与Ajax在Web开发中的交互技术。PHP作为服务器端脚本语言,处理数据和业务逻辑;Ajax则通过异步请求实现页面无刷新更新。文中详细介绍了两者的工作原理、数据传输格式选择、具体实现方法及实际应用案例,如实时数据更新、表单验证与提交、动态加载内容等。同时,针对跨域问题、数据安全与性能优化提出了建议。总结指出,PHP与Ajax的结合能显著提升Web应用的效率和用户体验。
33 3
|
21天前
|
关系型数据库 MySQL 数据库连接
13 PHP数据的获取
路老师在知乎上分享了PHP语言的知识,帮助大家入门和深入理解PHP。本文介绍了从结果集中获取一行数据作为对象(`mysqli_fetch_object()`)、获取一行作为枚举数组(`mysqli_fetch_row()`)、获取查询结果集中的记录数(`mysqli_num_rows()`)、释放内存(`mysqli_free_result()`)以及关闭数据库连接(`mysqli_close()`)的方法,并提供了具体示例代码。
27 3
|
28天前
|
JSON 缓存 前端开发
PHP如何高效地处理JSON数据:从编码到解码
在现代Web开发中,JSON已成为数据交换的标准格式。本文探讨了PHP如何高效处理JSON数据,包括编码和解码的过程。通过简化数据结构、使用优化选项、缓存机制及合理设置解码参数等方法,可以显著提升JSON处理的性能,确保系统快速稳定运行。
|
2月前
|
消息中间件 数据采集 数据库
小说爬虫-03 爬取章节的详细内容并保存 将章节URL推送至RabbitMQ Scrapy消费MQ 对数据进行爬取后写入SQLite
小说爬虫-03 爬取章节的详细内容并保存 将章节URL推送至RabbitMQ Scrapy消费MQ 对数据进行爬取后写入SQLite
27 1
|
2月前
|
数据采集 数据挖掘 数据处理
Python中实现简单爬虫并处理数据
【9月更文挑战第31天】本文将引导读者理解如何通过Python创建一个简单的网络爬虫,并展示如何处理爬取的数据。我们将讨论爬虫的基本原理、使用requests和BeautifulSoup库进行网页抓取的方法,以及如何使用pandas对数据进行清洗和分析。文章旨在为初学者提供一个易于理解的实践指南,帮助他们快速掌握网络数据抓取的基本技能。
59 3
|
3月前
|
数据采集 Python
天天基金数据的Python爬虫
天天基金数据的Python爬虫
63 3
|
3月前
|
数据采集 JSON 数据格式
Python:南京地铁每日客流数据的爬虫实现
Python:南京地铁每日客流数据的爬虫实现
70 1
|
2月前
|
数据采集 Web App开发 JSON
爬虫实战小案例—获取喜马拉雅账号的关注数据和粉丝数据生成电子表格并实现批量关注或者取关然后生成表格文件
爬虫实战小案例—获取喜马拉雅账号的关注数据和粉丝数据生成电子表格并实现批量关注或者取关然后生成表格文件
58 0
|
2月前
|
数据采集
爬虫案例—抓取找歌词网站的按歌词找歌名数据
爬虫案例—抓取找歌词网站的按歌词找歌名数据
52 0