看了不少朋友圈里推薦的Python爬蟲文章，都覺得太小兒科，處理內(nèi)容本來就是PHP的強(qiáng)項(xiàng)，Python唯一的好處估計(jì)也就天生的Linux自帶，和Perl一樣，這點(diǎn)覺得挺不夠意思的Linux，還是Mac厚道，天生就自帶了Python、Perl、PHP、Ruby，當(dāng)然我也很討厭討論一門語言的好壞，每門語言存在就一定有它的道理，反正PHP是全世界最好用的語言，大家都懂的。
前幾天比較火的是一個人用C#寫了一個多線程爬蟲程序，抓取了QQ空間3000萬QQ用戶，其中有300萬用戶是有QQ號、昵稱、空間名稱等信息的，也就是說，有詳情也就300萬，跑了兩周，這沒什么，為了證明PHP是全世界最好的語言，我用PHP寫了一個多進(jìn)程爬蟲程序，只用了一天時間，就抓了知乎100萬用戶，目前跑到第8圈(depth=8)互相有關(guān)聯(lián)(關(guān)注了和關(guān)注者)的用戶。
爬蟲程序設(shè)計(jì)：
因?yàn)橹跣枰卿洸拍塬@取到關(guān)注者頁面，所以從chrome登錄之后把cookie拷貝下來給curl程序模擬登錄。
使用兩大獨(dú)立循環(huán)進(jìn)程組(用戶索引進(jìn)程組、用戶詳情進(jìn)程組)，用的是php的pcntl擴(kuò)展，封裝了一個非常好用的類，使用起來和golang的攜程也差不多了。
下面是用戶詳情的截圖，用戶索引代碼類似:
這里插個題外話，經(jīng)過測試，我的8核的Macbook，跑16進(jìn)程的速度最快，而16核的Linux服務(wù)器，居然是跑8進(jìn)程最快，這點(diǎn)有點(diǎn)讓我莫名其妙了，不過既然測試出最后進(jìn)程數(shù)，就按照最后設(shè)置就好啦。
1、用戶索引進(jìn)程組先以一個用戶為起點(diǎn)，抓取這個用戶的關(guān)注了和關(guān)注者，然后合并入庫，因?yàn)槭嵌噙M(jìn)程，所以當(dāng)有兩個進(jìn)程在處理同一個用戶入庫的時候就會出現(xiàn)重復(fù)的用戶，所以數(shù)據(jù)庫用戶名字段一定要建立唯一索引，當(dāng)然也可以用redis這些第三方緩存來保證原子性，這個就見仁見智了。
通過步驟一之后，我們就得到下面的用戶列表：
2、用戶詳情進(jìn)程組按照時間正序，拿到最先入庫的用戶抓取詳情，并且把更新時間更新為當(dāng)前時間，這樣就可以變成一個死循環(huán)，程序可以無休止的跑，不斷的循環(huán)更新用戶信息。
程序穩(wěn)定運(yùn)行到第二天，突然沒有新數(shù)據(jù)了，檢查了一下發(fā)現(xiàn)知乎改規(guī)則了，不知是為了防我，還是碰巧，反正給我返回的數(shù)據(jù)是這樣的
第一感覺就是胡亂給我輸出數(shù)據(jù)讓我采集不到，換了IP、模擬偽裝了些數(shù)據(jù)，都沒用，突然感覺這個很熟悉，會不會是gzip？抱著懷疑的態(tài)度，試了試gzip，首先當(dāng)然是告訴知乎不要給我gzip壓縮過的數(shù)據(jù)
把 “Accept-Encoding: gzip,deflate\r\n”; 改成 “Accept-Encoding:deflate\r\n”; 去掉了 gzip，然并卵！
看來知乎是強(qiáng)制要給我gzip壓縮數(shù)據(jù)了，既然如此，那我就解壓唄，查了一下php解壓gzip，發(fā)現(xiàn)就一個函數(shù)gzinflate，于是把獲取到得內(nèi)容加上：
$content = substr($content, 10);
$content = gzinflate($content));
這里我真想說，PHP真的是全世界最好的語言，就兩個函數(shù)，就徹底解決了問題，程序又歡快的跑起來了。
在匹配內(nèi)容的時候，知乎的細(xì)心也是給了我無數(shù)的幫助，例如我要分清用戶性別：
哈哈開玩笑的拉，其實(shí)是樣式里面有 icon-profile-female 和 icon-profile-male ^_^
我蛋疼的抓了它那么多用戶，到底有什么用呢？
其實(shí)沒什么用，我就是閑的蛋疼 ^_^
有了這些信息，其實(shí)就可以做一些別人開頭閉口就亂吹一通的大數(shù)據(jù)分析拉
最常見的當(dāng)然是：
1、性別分布
2、地域分布
3、職業(yè)分布
4、每個職業(yè)的男女比例
當(dāng)然，按照關(guān)注人數(shù)、瀏覽人數(shù)、提問數(shù)、回答數(shù)等排序，看看人民都在關(guān)注什么，民生、社會、地理、政治，整個互聯(lián)網(wǎng)都盡收眼底拉。。
也許，你還可以把頭像拿來分析，用開源的驗(yàn)黃程序，把色情的篩選出來，然后去拯救東莞？ ^_^
然后，你還可以看看那些大學(xué)出來的人，最后都干了什么。
有了這些數(shù)據(jù)，是不是可以打開腦洞 ^_^
下面是利用這些數(shù)據(jù)做出來的一些有趣的圖表，實(shí)時圖表數(shù)據(jù)可以去 http://www.epooll.com/zhihu/ 上看