背景說明：小拽利用php的curl寫的爬蟲，實驗性的爬取了知乎5w用戶的基本信息；同時，針對爬取的數據，進行了簡單的分析呈現。
php的spider代碼和用戶dashboard的展現代碼，整理后上傳github，在個人博客和公眾號更新代碼庫，程序僅供娛樂和學習交流；如果有侵犯知乎相關權益，請盡快聯系本人刪除。
無圖無真相
移動端分析數據截圖
pc端分析數據截圖
整個爬取，分析，展現過程大概分如下幾步，小拽將分別介紹
- curl爬取知乎網頁數據
- 正則分析知乎網頁數據
- 數據數據入庫和程序部署
- 數據分析和呈現
curl爬取網頁數據
PHP的curl擴展是PHP支持的，允許你與各種服務器使用各種類型的協議進行連接和通信的庫。是一個非常便捷的抓取網頁的工具，同時，支持多線程擴展。
本程序抓取的是知乎對外提供用戶訪問的個人信息頁面https://www.zhihu.com/people/xxx,抓取過程需要攜帶用戶cookie才能獲取頁面。直接上碼
獲取頁面cookie
復制代碼代碼如下:
// 登錄知乎，打開個人中心，打開控制臺，獲取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"
抓取個人中心頁面
通過curl，攜帶cookie，先抓取本人中心頁面
/** * 通過用戶名抓取個人中心頁面并存儲 * * @param $username str :用戶名 flag * @return boolean :成功與否標志 */public function spiderUser($username){ $cookie = "xxxx" ; $url_info = 'http://www.zhihu.com/people/' . $username; //此處cui-xiao-zhuai代表用戶ID,可以直接看url獲取本人id $ch = curl_init($url_info); //初始化會話 curl_setopt($ch, CURLOPT_HEADER, 0); curl_setopt($ch, CURLOPT_COOKIE, $cookie); //設置請求COOKIE curl_setopt($ch, CURLOPT_USERAGENT, $_SERVER['HTTP_USER_AGENT']); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //將curl_exec()獲取的信息以文件流的形式返回，而不是直接輸出。 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; } 正則分析網頁數據分析新鏈接，進一步爬取
對于抓取過來的網頁進行存儲，要想進行進一步的爬取，頁面必須包含有可用于進一步爬取用戶的鏈接。通過對知乎頁面分析發現：在個人中心頁面中有關注人和部分點贊人和被關注人。
如下所示
復制代碼代碼如下:
// 抓取的html頁面中發現了新的用戶，可用于爬蟲
<a class="zm-item-link-avatar avatar-link" href="/people/new-user" data-tip="p$t$new-user">
ok，這樣子就可以通過自己-》關注人-》關注人的關注人-》。。。進行不斷爬取。接下來就是通過正則匹配提取該信息
復制代碼代碼如下:
// 匹配到抓取頁面的所有用戶
preg_match_all('///people//([/w-]+)/"/i', $str, $match_arr);
// 去重合并入新的用戶數組,用戶進一步抓取
self::$newUserArr = array_unique(array_merge($match_arr[1], self::$newUserArr));
到此，整個爬蟲過程就可以順利進行了。
如果需要大量的抓取數據，可以研究下curl_multi和pcntl進行多線程的快速抓取，此處不做贅述。
分析用戶數據，提供分析
通過正則可以進一步匹配出更多的該用戶數據，直接上碼。
// 獲取用戶頭像preg_match('/<img.+src=/"?([^/s]+/.(jpg|gif|bmp|bnp|png))/"?.+>/i', $str, $match_img);$img_url = $match_img[1];// 匹配用戶名：// <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];// 匹配用戶簡介// class bio span 中文preg_match('/<span.+class=/"?bio/"?.+/>([/x{4e00}-/x{9fa5}]+).+span>/u', $str, $match_title);$user_title = $match_title[1];// 匹配性別//<input type="radio" name="gender" value="1" checked="checked" class="male"/> 男 // gender value1 ;結束 中文preg_match('/<input.+name=/"?gender/"?.+value=/"?1/"?.+([/x{4e00}-/x{9fa5}]+).+/;/u', $str, $match_sex);$user_sex = $match_sex[1];// 匹配地區//<span class="location item" style="margin: 0px; padding: 0px; width: 660px; overflow: hidden; clear: both;"> # 官方的最優批量插入INSERT INTO yourtable VALUES (1,2), (5,5), ...;
部署操作。程序在抓取過程中，有可能會出現異常掛掉，為了保證高效穩定，盡可能的寫一個定時腳本。每隔一段時間干掉，重新跑，這樣即使異常掛掉也不會浪費太多寶貴時間，畢竟，time is money。
#!/bin/bash# 干掉ps 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 & 數據分析呈現
數據的呈現主要使用echarts 3.0，感覺對于移動端兼容還不錯。兼容移動端的頁面響應式布局主要通過幾個簡單的css控制，代碼如下
// 獲取用戶頭像preg_match('/<img.+src=/"?([^/s]+/.(jpg|gif|bmp|bnp|png))/"?.+>/i', $str, $match_img);$img_url = $match_img[1];// 匹配用戶名：// <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];// 匹配用戶簡介// class bio span 中文preg_match('/<span.+class=/"?bio/"?.+/>([/x{4e00}-/x{9fa5}]+).+span>/u', $str, $match_title);$user_title = $match_title[1];// 匹配性別//<input type="radio" name="gender" value="1" checked="checked" class="male"/> 男 // gender value1 ;結束 中文preg_match('/<input.+name=/"?gender/"?.+value=/"?1/"?.+([/x{4e00}-/x{9fa5}]+).+/;/u', $str, $match_sex);$user_sex = $match_sex[1];// 匹配地區//<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="人見人罵的公司">人見人罵的公司</span>preg_match('/<span.+class=/"?employment.+/"?.+/"([/x{4e00}-/x{9fa5}]+)/">/u', $str, $match_employment);$user_employ = $match_employment[1];// 匹配職位// <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];// 匹配學歷// <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];// 工作情況// <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];// 匹配關注話題數量// class="zg-link-litblue"><strong>41 個話題</strong></a>preg_match('/class=/"?zg-link-litblue/"?><strong>(/d+)/s.+strong>/i', $str, $match_topic);$user_topic = $match_topic[1];// 關注人數// <span class="zg-gray-normal">關注了preg_match_all('/<strong>(/d+)<.+<label>/i', $str, $match_care);$user_care = $match_care[1][0];$user_be_careed = $match_care[1][1];// 歷史瀏覽量// <span class="zg-gray-normal">個人主頁被 <strong>17</strong> 人瀏覽</span>preg_match('/class=/"?zg-gray-normal/"?.+>(/d+)<.+span>/i', $str, $match_browse);$user_browse = $match_browse[1]; 不足和待學習
整個過程中涉及php,shell,js,css,html,正則等語言和部署等基礎知識，但還有諸多需要改進完善，小拽特此記錄，后續補充例：
- php 采用multicul進行多線程。
- 正則匹配進一步優化
- 部署和抓取過程采用redis提升存儲
- 移動端布局的兼容性提升
- js的模塊化和sass書寫css。
