這次抓取了110萬的用戶數(shù)據(jù)，數(shù)據(jù)分析結(jié)果如下：

開發(fā)前的準(zhǔn)備

安裝Linux系統(tǒng)（Ubuntu14.04），在VMWare虛擬機(jī)下安裝一個Ubuntu；

安裝PHP5.6或以上版本；

安裝MySQL5.5或以上版本；

安裝curl、pcntl擴(kuò)展。

使用PHP的curl擴(kuò)展抓取頁面數(shù)據(jù)

PHP的curl擴(kuò)展是PHP支持的允許你與各種服務(wù)器使用各種類型的協(xié)議進(jìn)行連接和通信的庫。

本程序是抓取知乎的用戶數(shù)據(jù)，要能訪問用戶個人頁面，需要用戶登錄后的才能訪問。當(dāng)我們在瀏覽器的頁面中點(diǎn)擊一個用戶頭像鏈接進(jìn)入用戶個人中心頁面 的時候，之所以能夠看到用戶的信息，是因?yàn)樵邳c(diǎn)擊鏈接的時候，瀏覽器幫你將本地的cookie帶上一齊提交到新的頁面，所以你就能進(jìn)入到用戶的個人中心頁 面。因此實(shí)現(xiàn)訪問個人頁面之前需要先獲得用戶的cookie信息，然后在每次curl請求的時候帶上cookie信息。在獲取cookie信息方面，我是 用了自己的cookie，在頁面中可以看到自己的cookie信息：

一個個地復(fù)制，以”__utma=?;__utmb=?;”這樣的形式組成一個cookie字符串。接下來就可以使用該cookie字符串來發(fā)送請求。

初始的示例：

$url = 'http://www.zhihu.com/people/mora-hu/about'; //此處mora-hu代表用戶ID 
$ch = curl_init($url); //初始化會話 
curl_setopt($ch, CURLOPT_HEADER, 0); 
curl_setopt($ch, CURLOPT_COOKIE, $this->config_arr['user_cookie']);  //設(shè)置請求COOKIE 
curl_setopt($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); 
return $result;  //抓取的結(jié)果 

運(yùn)行上面的代碼可以獲得mora-hu用戶的個人中心頁面。利用該結(jié)果再使用正則表達(dá)式對頁面進(jìn)行處理，就能獲取到姓名，性別等所需要抓取的信息。

圖片防盜鏈

在對返回結(jié)果進(jìn)行正則處理后輸出個人信息的時候，發(fā)現(xiàn)在頁面中輸出用戶頭像時無法打開。經(jīng)過查閱資料得知，是因?yàn)橹鯇D片做了防盜鏈處理。解決方案就是請求圖片的時候在請求頭里偽造一個referer。

在使用正則表達(dá)式獲取到圖片的鏈接之后，再發(fā)一次請求，這時候帶上圖片請求的來源，說明該請求來自知乎網(wǎng)站的轉(zhuǎn)發(fā)。具體例子如下：

function getImg($url, $u_id) 
{ 
    if (file_exists('./images/' . $u_id . ".jpg")) 
    { 
        return "images/$u_id" . '.jpg'; 
    } 
    if (empty($url)) 
    { 
        return ''; 
    } 
    $context_options = array(  
        'http' =>  
        array( 
            'header' => "Referer:http://www.zhihu.com"//帶上referer參數(shù) 
    　　) 
　　); 
 
    $context = stream_context_create($context_options);  
    $img = file_get_contents('http:' . $url, FALSE, $context); 
    file_put_contents('./images/' . $u_id . ".jpg", $img); 
    return "images/$u_id" . '.jpg'; 
} 

爬取更多用戶

抓取了自己的個人信息后，就需要再訪問用戶的關(guān)注者和關(guān)注了的用戶列表獲取更多的用戶信息。然后一層一層地訪問?？梢钥吹?，在個人中心頁面里，有兩個鏈接如下：

這里有兩個鏈接，一個是關(guān)注了，另一個是關(guān)注者，以“關(guān)注了”的鏈接為例。用正則匹配去匹配到相應(yīng)的鏈接，得到url之后用curl帶上cookie再發(fā)一次請求。抓取到用戶關(guān)注了的用于列表頁之后，可以得到下面的頁面：

分析頁面的html結(jié)構(gòu)，因?yàn)橹灰玫接脩舻男畔?，所以只需要框住的這一塊的div內(nèi)容，用戶名都在這里面。可以看到，用戶關(guān)注了的頁面的url是：

不同的用戶的這個url幾乎是一樣的，不同的地方就在于用戶名那里。用正則匹配拿到用戶名列表，一個一個地拼url，然后再逐個發(fā)請求（當(dāng)然，一個 一個是比較慢的，下面有解決方案，這個稍后會說到）。進(jìn)入到新用戶的頁面之后，再重復(fù)上面的步驟，就這樣不斷循環(huán)，直到達(dá)到你所要的數(shù)據(jù)量。

Linux統(tǒng)計(jì)文件數(shù)量

腳本跑了一段時間后，需要看看究竟獲取了多少圖片，當(dāng)數(shù)據(jù)量比較大的時候，打開文件夾查看圖片數(shù)量就有點(diǎn)慢。腳本是在Linux環(huán)境下運(yùn)行的，因此可以使用Linux的命令來統(tǒng)計(jì)文件數(shù)量：

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

其中， ls -l 是長列表輸出該目錄下的文件信息（這里的文件可以是目錄、鏈接、設(shè)備文件等）； grep "^-" 過濾長列表輸出信息， "^-" 只保留一般文件，如果只保留目錄是 "^d" ； wc -l 是統(tǒng)計(jì)輸出信息的行數(shù)。下面是一個運(yùn)行示例：

插入MySQL時重復(fù)數(shù)據(jù)的處理

程序運(yùn)行了一段時間后，發(fā)現(xiàn)有很多用戶的數(shù)據(jù)是重復(fù)的，因此需要在插入重復(fù)用戶數(shù)據(jù)的時候做處理。處理方案如下：

1）插入數(shù)據(jù)庫之前檢查數(shù)據(jù)是否已經(jīng)存在數(shù)據(jù)庫；

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

3）添加唯一索引，插入時使用 INSERT INGNORE INTO...

4）添加唯一索引，插入時使用 REPLACE INTO...

第一種方案是最簡單但也是效率最差的方案，因此不采取。二和四方案的執(zhí)行結(jié)果是一樣的，不同的是，在遇到相同的數(shù)據(jù)時， INSERT INTO … ON DUPLICATE KEY UPDATE 是直接更新的，而 REPLACE INTO 是先刪除舊的數(shù)據(jù)然后插入新的，在這個過程中，還需要重新維護(hù)索引，所以速度慢。所以在二和四兩者間選擇了第二種方案。而第三種方案， INSERT INGNORE 會忽略執(zhí)行INSERT語句出現(xiàn)的錯誤，不會忽略語法問題，但是忽略主鍵存在的情況。這樣一來，使用 INSERT INGNORE 就更好了。最終，考慮到要在數(shù)據(jù)庫中記錄重復(fù)數(shù)據(jù)的條數(shù)，因此在程序中采用了第二種方案。

使用curl_multi實(shí)現(xiàn)多線程抓取頁面

剛開始單進(jìn)程而且單個curl去抓取數(shù)據(jù)，速度很慢，掛機(jī)爬了一個晚上只能抓到2W的數(shù)據(jù)，于是便想到能不能在進(jìn)入新的用戶頁面發(fā)curl請求的時 候一次性請求多個用戶，后來發(fā)現(xiàn)了curl_multi這個好東西。curl_multi這類函數(shù)可以實(shí)現(xiàn)同時請求多個url，而不是一個個請求，這類似 于linux系統(tǒng)中一個進(jìn)程開多條線程執(zhí)行的功能。下面是使用curl_multi實(shí)現(xiàn)多線程爬蟲的示例：

$mh = curl_multi_init(); //返回一個新cURL批處理句柄 
for ($i = 0; $i < $max_size; $i++) 
{ 
    $ch = curl_init();  //初始化單個cURL會話 
    curl_setopt($ch, CURLOPT_HEADER, 0); 
    curl_setopt($ch, CURLOPT_URL, 'http://www.zhihu.com/people/' . $user_list[$i] . '/about'); 
    curl_setopt($ch, CURLOPT_COOKIE, self::$user_cookie); 
    curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.130 Safari/537.36'); 
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); 
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); 
    $requestMap[$i] = $ch; 
    curl_multi_add_handle($mh, $ch);  //向curl批處理會話中添加單獨(dú)的curl句柄 
} 
 
$user_arr = array(); 
do { 
                //運(yùn)行當(dāng)前 cURL 句柄的子連接 
    while (($cme = curl_multi_exec($mh, $active)) == CURLM_CALL_MULTI_PERFORM); 
 
    if ($cme != CURLM_OK) {break;} 
                //獲取當(dāng)前解析的cURL的相關(guān)傳輸信息 
    while ($done = curl_multi_info_read($mh)) 
    { 
        $info = curl_getinfo($done['handle']); 
        $tmp_result = curl_multi_getcontent($done['handle']); 
        $error = curl_error($done['handle']); 
 
        $user_arr[] = array_values(getUserInfo($tmp_result)); 
 
        //保證同時有$max_size個請求在處理 
        if ($i < sizeof($user_list) && isset($user_list[$i]) && $i < count($user_list)) 
        { 
            $ch = curl_init(); 
            curl_setopt($ch, CURLOPT_HEADER, 0); 
            curl_setopt($ch, CURLOPT_URL, 'http://www.zhihu.com/people/' . $user_list[$i] . '/about'); 
            curl_setopt($ch, CURLOPT_COOKIE, self::$user_cookie); 
            curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.130 Safari/537.36'); 
            curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); 
            curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); 
            $requestMap[$i] = $ch; 
            curl_multi_add_handle($mh, $ch); 
 
            $i++; 
        } 
 
        curl_multi_remove_handle($mh, $done['handle']); 
    } 
 
    if ($active) 
        curl_multi_select($mh, 10); 
} while ($active); 
 
curl_multi_close($mh); 
return $user_arr; 

HTTP 429 Too Many Requests

使用curl_multi函數(shù)可以同時發(fā)多個請求，但是在執(zhí)行過程中使同時發(fā)200個請求的時候，發(fā)現(xiàn)很多請求無法返回了，即發(fā)現(xiàn)了丟包的情況。進(jìn) 一步分析，使用 curl_getinfo 函數(shù)打印每個請求句柄信息，該函數(shù)返回一個包含HTTP response信息的關(guān)聯(lián)數(shù)組，其中有一個字段是http_code，表示請求返回的HTTP狀態(tài)碼?？吹接泻芏鄠€請求的http_code都是 429，這個返回碼的意思是發(fā)送太多請求了。我猜是知乎做了防爬蟲的防護(hù)，于是我就拿其他的網(wǎng)站來做測試，發(fā)現(xiàn)一次性發(fā)200個請求時沒問題的，證明了我 的猜測，知乎在這方面做了防護(hù)，即一次性的請求數(shù)量是有限制的。于是我不斷地減少請求數(shù)量，發(fā)現(xiàn)在5的時候就沒有丟包情況了。說明在這個程序里一次性最多 只能發(fā)5個請求，雖然不多，但這也是一次小提升了。

使用Redis保存已經(jīng)訪問過的用戶

抓取用戶的過程中，發(fā)現(xiàn)有些用戶是已經(jīng)訪問過的，而且他的關(guān)注者和關(guān)注了的用戶都已經(jīng)獲取過了，雖然在數(shù)據(jù)庫的層面做了重復(fù)數(shù)據(jù)的處理，但是程序還 是會使用curl發(fā)請求，這樣重復(fù)的發(fā)送請求就有很多重復(fù)的網(wǎng)絡(luò)開銷。還有一個就是待抓取的用戶需要暫時保存在一個地方以便下一次執(zhí)行，剛開始是放到數(shù)組 里面，后來發(fā)現(xiàn)要在程序里添加多進(jìn)程，在多進(jìn)程編程里，子進(jìn)程會共享程序代碼、函數(shù)庫，但是進(jìn)程使用的變量與其他進(jìn)程所使用的截然不同。不同進(jìn)程之間的變 量是分離的，不能被其他進(jìn)程讀取，所以是不能使用數(shù)組的。因此就想到了使用Redis緩存來保存已經(jīng)處理好的用戶以及待抓取的用戶。這樣每次執(zhí)行完的時候 都把用戶push到一個already_request_queue隊(duì)列中，把待抓取的用戶（即每個用戶的關(guān)注者和關(guān)注了的用戶列表）push到 request_queue里面，然后每次執(zhí)行前都從request_queue里pop一個用戶，然后判斷是否在 already_request_queue里面，如果在，則進(jìn)行下一個，否則就繼續(xù)執(zhí)行。

在PHP中使用redis示例：

<php 
    $redis = new Redis(); 
    $redis->connect('127.0.0.1', '6379'); 
    $redis->set('tmp', 'value'); 
    if ($redis->exists('tmp')) 
    { 
        echo $redis->get('tmp') . "\n"; 
    } 

使用PHP的pcntl擴(kuò)展實(shí)現(xiàn)多進(jìn)程

改用了curl_multi函數(shù)實(shí)現(xiàn)多線程抓取用戶信息之后，程序運(yùn)行了一個晚上，最終得到的數(shù)據(jù)有10W。還不能達(dá)到自己的理想目標(biāo)，于是便繼續(xù)優(yōu)化，后來發(fā)現(xiàn)php里面有一個pcntl擴(kuò)展可以實(shí)現(xiàn)多進(jìn)程編程。下面是多編程編程的示例：

//PHP多進(jìn)程demo 
//fork10個進(jìn)程 
for ($i = 0; $i < 10; $i++) { 
    $pid = pcntl_fork(); 
    if ($pid == -1) { 
        echo "Could not fork!\n"; 
        exit(1); 
    } 
    if (!$pid) { 
        echo "child process $i running\n"; 
        //子進(jìn)程執(zhí)行完畢之后就退出，以免繼續(xù)fork出新的子進(jìn)程 
        exit($i); 
    } 
} 
 
//等待子進(jìn)程執(zhí)行完畢，避免出現(xiàn)僵尸進(jìn)程 
while (pcntl_waitpid(0, $status) != -1) { 
    $status = pcntl_wexitstatus($status); 
    echo "Child $status completed\n"; 
} 

在Linux下查看系統(tǒng)的cpu信息

實(shí)現(xiàn)了多進(jìn)程編程之后，就想著多開幾條進(jìn)程不斷地抓取用戶的數(shù)據(jù)，后來開了8調(diào)進(jìn)程跑了一個晚上后發(fā)現(xiàn)只能拿到20W的數(shù)據(jù)，沒有多大的提升。于是 查閱資料發(fā)現(xiàn)，根據(jù)系統(tǒng)優(yōu)化的CPU性能調(diào)優(yōu)，程序的最大進(jìn)程數(shù)不能隨便給的，要根據(jù)CPU的核數(shù)和來給，最大進(jìn)程數(shù)最好是cpu核數(shù)的2倍。因此需要查 看cpu的信息來看看cpu的核數(shù)。在Linux下查看cpu的信息的命令：

cat /proc/cpuinfo 

結(jié)果如下：

其中，model name表示cpu類型信息，cpu cores表示cpu核數(shù)。這里的核數(shù)是1，因?yàn)槭窃谔摂M機(jī)下運(yùn)行，分配到的cpu核數(shù)比較少，因此只能開2條進(jìn)程。最終的結(jié)果是，用了一個周末就抓取了110萬的用戶數(shù)據(jù)。

多進(jìn)程編程中Redis和MySQL連接問題

在多進(jìn)程條件下，程序運(yùn)行了一段時間后，發(fā)現(xiàn)數(shù)據(jù)不能插入到數(shù)據(jù)庫，會報(bào)mysql too many connections的錯誤，redis也是如此。

下面這段代碼會執(zhí)行失?。?/strong>

<php 
     for ($i = 0; $i < 10; $i++) { 
          $pid = pcntl_fork(); 
          if ($pid == -1) { 
               echo "Could not fork!\n"; 
               exit(1); 
          } 
          if (!$pid) { 
               $redis = PRedis::getInstance(); 
               // do something     
               exit; 
          } 
     } 

<php 
     public static function getInstance() { 
          static $instances = array(); 
          $key = getmypid();//獲取當(dāng)前進(jìn)程ID 
          if ($empty($instances[$key])) { 
               $inctances[$key] = new self(); 
          } 
 
          return $instances[$key]; 
     } 

function microtime_float() 
{ 
     list($u_sec, $sec) = explode(' ', microtime()); 
     return (floatval($u_sec) + floatval($sec)); 
} 
 
$start_time = microtime_float(); 
 
//do something 
usleep(100); 
 
$end_time = microtime_float(); 
$total_time = $end_time - $start_time; 
 
$time_cost = sprintf("%.10f", $total_time); 
 
echo "program cost total " . $time_cost . "s\n";