如何爬知乎的百万用户
一、使用的技术栈:
- 爬虫:python27 +requests+json+bs4+time
- 分析工具: ELK套件
- 开发工具:pycharm
二、数据成果
三、简单的可视化分析
1.性别分布
- 0 绿色代表的是男性 ^ . ^
- 1 代表的是女性
- -1 性别不确定
可见知乎的用户男性颇多。
2.粉丝最多的top30
粉丝最多的前三十名:依次是张佳玮、李开复、黄继新等等,去知乎上查这些人,也差不多这个排名,说明爬取的数据具有一定的说服力。
3.写文章最多的top30
四、爬虫架构
爬虫架构图如下:
说明:
- 选择一个活跃的用户(比如李开复)的url作为入口url.并将已爬取的url存在set中。
- 抓取内容,并解析该用户的关注的用户的列表url,添加这些url到另一个set中,并用已爬取的url作为过滤。
- 解析该用户的个人信息,并存取到本地磁盘。
- logstash取实时的获取本地磁盘的用户数据,并给elsticsearch
- kibana和elasticsearch配合,将数据转换成用户友好的可视化图形。
五.编码
爬取一个url:
def download(url):
if url is None:
return None
try:
response = requests.get(url, headers={
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36',
'authorization': 'your authorization '
})
print (response.content)
if (response.status_code == 200):
return response.content
return None
except:
return None
解析内容:
def parse(response):
try:
print (response)
json_body = json.loads(response);
json_data = json_body['data']
for item in json_data:
if (not old_url_tokens.__contains__(item['url_token'])):
if(new_url_tokens.__len__()<2000):
new_url_tokens.add(item['url_token'])
if (not saved_users_set.__contains__(item['url_token'])):
jj=json.dumps(item)
save(item['url_token'],jj )
saved_users_set.add(item['url_token'])
if (not json_body['paging']['is_end']):
next_url = json_body['paging']['next']
response2 = download(next_url)
parse(response2)
except:
print ('parse fail')
存本地文件:
def save(url_token, strs):
f = file("\\Users\\forezp\\Downloads\\zhihu\\user_" + url_token + ".txt", "w+")
f.writelines(strs)
f.close()
代码说明:
* 需要修改获取requests请求头的authorization。
* 需要修改你的文件存储路径。
源码下载:点击这里,记得star哦!
六.如何获取authorization
- 打开chorme,打开https://www.zhihu.com/,
- 登陆,首页随便找个用户,进入他的个人主页,F12(或鼠标右键,点检查)
- 点击关注,刷新页面,见图:
七、可改进的地方
- 可增加线程池,提高爬虫效率
- 存储url的时候我才用的set(),并且采用缓存策略,最多只存2000个url,防止内存不够,其实可以存在redis中。
- 存储爬取后的用户我说采取的是本地文件的方式,更好的方式应该是存在mongodb中。
- 对爬取的用户应该有一个信息的过滤,比如用户的粉丝数需要大与100或者参与话题数大于10等才存储。防止抓取了过多的僵尸用户。
八.关于ELK套件
关于elk的套件安装就不讨论了,具体见官网就行了。网站:https://www.elastic.co/
另外logstash的配置文件如下:
input {
# For detail config for log4j as input,
# See: https://www.elastic.co/guide/en/logstash/current/plugins-inputs-log4j.html
file {
path => "/Users/forezp/Downloads/zhihu/*"
}
}
filter {
#Only matched data are send to output.
}
output {
# For detail config for elasticsearch as output,
# See: https://www.elastic.co/guide/en/logstash/current/plugins-outputs-elasticsearch.html
elasticsearch {
action => "index" #The operation on ES
hosts => "localhost:9200" #ElasticSearch host, can be array.
index => "zhihu" #The index to write data to.
}
}
九、结语
从爬取的用户数据可分析的地方很多,比如地域、学历、年龄等等,我就不一一列举了。另外,我觉得爬虫是一件非常有意思的事情,在这个内容消费升级的年代,如何在广阔的互联网的数据海洋中挖掘有价值的数据,是一件值得思考和需不断践行的事情。最后,本文仅用作交流学习。如果知乎告知我侵权,我会立刻删除本文。
看完两件小事
如果你觉得这篇文章对你挺有启发,我想请你帮我两个小忙:
- 把这篇文章分享给你的朋友 / 交流群,让更多的人看到,一起进步,一起成长!
- 关注公众号 「方志朋」,公众号后台回复「666」 免费领取我精心整理的进阶资源教程