QQ空间爬虫最新分享，一天 400 万条数据
QQ空间爬虫最新分享，一天 400 万条数据
前言
本文为作者对其开源项目QQSpider的说明文档。主要替换了程序里一些不可用的链接，对登录时的验证码作了处理，对去重队列作了优化。并且可以非常简单地实现爬虫分布式扩展。
Github项目名称：QQSpider
使用说明
1、启动前配置：
需要安装的软件：python、Redis、MongoDB（Redis和MongoDB都是NoSQL，服务启动后能连接上就行，不需要建表什么的）。
需要安装的Python模块：requests、BeautifulSoup、multiprocessing、selenium、itertools、redis、pymongo。
我们登陆QQ要使用到phantomJS（下载地址：http://phantomjs.org/download.html），下载完将里面的phantomjs.exe解压到python目录下即可。
2、启动程序：
进入 myQQ.txt 写入QQ账号和密码（不同QQ换行输入，账号密码空格隔开）。如果你只是测试一下，则放三两个QQ足矣；但如果你开多线程大规模抓取的话就要用多一点QQ号（thread_num_QQ的2~10倍），账号少容易被检测为异常行为。
进入 init_messages.py进行爬虫参数的配置，例如线程数量的多少、设置爬哪个时间段的日志，哪个时间段的说说，爬多少个说说备份一次等等。
运行 launch.py 启动爬虫。
代码说明
mongodb用来存放数据，redis用来存放待爬QQ和Cookie。
爬虫之前使用的是BitVector去重，有一部分人反映经常会报错，所以现在使用基于Redis的去重，内存占用不超过512M，能容纳45亿个QQ号瞬间去重，而且方便分布式扩展。
爬虫使用phantomJS模拟登陆QQ空间，有时候会出现验证码。我使用的是云打码（自行百度），准确率还是非常高的，QQ验证码是4位纯英文，5元可以识别1000个验证码。如果需要请自行去注册购买，将账号、密码、appkey填入 yundama.py，再将public_methods.py里的dama=False改成dama=True即可。
分布式。现在已经将种子队列和去重队列都放在了Redis上面，如果需要几台机器同时爬，只需要将代码复制一份到另外一台机子，将连Redis时的localhost改成同一台机器的IP即可。如果想要将爬下来的数据保存到同一台机，也只需要将连MongoDB时的localhost改成该机器的IP即可。
为了让程序不那么复杂难懂，此项目只用了多线程，即只用到了一个CPU。如果实际生产运行的话可以考虑将程序稍作修改，换成多进程+协程，或者异步。速度会快很多。
最后提醒一下，爬虫无非就是模仿人在浏览器上网的行为，你在浏览器上无法查看的信息爬虫一般也是无法抓取。所以，就不要再问我能不能破解别人相册的这种问题了，空间加了访问权限的也无法访问。程序输出的日志中2016-11-19 01:05:33.010000 failure:484237103 (None - http://user.qzone.qq.com/484237103)这种，一般就是无法访问的QQ。还有，我们是无法查看一个QQ的所有好友的，所以爬下来的好友信息也只是部分好友。爬虫不是黑客，希望理解。
结语
爬虫是偏后台型的任务，以抓取效率为主，并没有很好的用户界面，并且需要不断地维护。所以对于完全没有编程基础的人来说，可能会遇到各种各样的问题。此项目最初的目的是为大家提供QQ空间爬虫的一种架构，并不保证程序一直能跑。只要腾讯服务器端稍有变动，例如某一个链接变了，可能程序就抓不到数据了，此时程序也要相应地将链接换成新的，如果网页结构变了，解析规则也要相应地修改。需要样本数据用于科学研究的可以邮件联系作者邮箱：bone_ace@163.com。
有什么问题请尽量留言，方便后来遇到同样问题的同学查看。
专栏作者简介
九茶
Python工程师，目前居于广州。Github知名开源爬虫QQSpider和SinaSpider作者，经常会在CSDN上分享一些爬虫、数据等福利。爬过的网站有 QQ空间、新浪微博、Facebook、Twitter、WooYun、Github、SearchCode、CSDN、博客园、天猫、大众点评、图吧 网、域名与IP数据、证券投资数据、中国土地数据、某些政府网站等。 除了爬虫领域之外，还会分享一些Python小应用（例如Python+PhantomJS批量注册账号，登录等），接下来在Python中文社区还会分享一些Python在大数据运算（ES、Spark）和数据挖掘方面的文章。