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(yǔ)言 的好壞，每門語(yǔ)言存在就一定有它的道理，反正PHP是全世界最好用的語(yǔ)言，大家都懂的^_^

    前幾天比較火的是一個(gè)人用C#寫了一個(gè)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(hào)、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(yǔ)言，雖然大家都懂的^_^，我用PHP寫了一個(gè)多進(jìn)程爬蟲程序，只用了一 天時(shí)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(yè)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(gè)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(gè)題外話，經(jīng)過測(cè)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(cè)試出最后進(jìn)程數(shù)，就按照最好的設(shè)置就好啦。

1、用戶索引進(jìn)程組先以一個(gè)用戶為起點(diǎn)，抓取這個(gè)用戶的關(guān)注了和關(guān)注者，然后合并入庫(kù)，因?yàn)槭嵌噙M(jìn)程，所以當(dāng)有兩個(gè)進(jìn)程在處理同一個(gè)用戶入庫(kù)的時(shí)候就會(huì)出 現(xiàn)重復(fù)的用戶，所以數(shù)據(jù)庫(kù)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(gè)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(shí)間正序，拿到最先入庫(kù)的用戶抓取詳情，并且把更新時(shí)間更新為當(dāng)前時(shí)間，這樣就可以變成一個(gè)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(gè)很熟悉，會(huì)不會(huì)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"; 去掉，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?jiǎn)h，查了一下php解壓gzip，發(fā)現(xiàn)就一個(gè)函數(shù)gzinflate，于是把獲取到得內(nèi)容加上：

$content = substr($content, 10);

$content = gzinflate($content));

當(dāng)然還可以用curl自帶的：

curl_setopt( self::$ch, CURLOPT_ENCODING, 'gzip' );

這里我真想說，PHP真的是全世界最好的語(yǔ)言，就一兩個(gè)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(shí)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，來自那個(gè)公司

4、每個(gè)職業(yè)的男女比例

5、大家一般在什么時(shí)候上知乎？發(fā)問題、關(guān)注問題，那些問題值得關(guān)注

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(huì)、地理、政治，整個(gè)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(shí)圖表數(shù)據(jù)可以去 http://www.epooll.com/zhihu/ 上看