前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Java 知乎爬虫

Java 知乎爬虫

作者头像
Yano_nankai
发布2018-10-08 10:34:48
1.4K0
发布2018-10-08 10:34:48
举报
文章被收录于专栏:二进制文集

目标

爬取知乎用户信息,并作简要分析。所爬的对象是关注者≥10的用户,因为:

  1. 关注者数量<10的用户,很多的僵尸用户、不活跃用户
  2. 我爬虫的目的也不是大而全,高质量用户更有分析意义

整体思路

JDK 环境

JDK 1.7

存储结构:redis

为什么使用 redis?

  1. 基于内存的存储,速度快,同时又具有持久性
  2. 开发非常简单
  3. 多种数据结构,自带排序功能
  4. 断电、异常时能保存结果

爬虫框架:webmagic

官方网站:http://webmagic.io/

为什么使用 webmagic?

基于 Java 的 webmagic,开发极其简单,这个知乎爬虫的代码主体就几行,而且只要专注提取数据就行了(其实是因为我也不知道其它 Java 的爬虫框架)。

代理 IP

没有使用代理 IP,经测试开20个线程爬知乎会被封IP,我就开了3个线程。

爬取速度

30小时爬取了3w用户(关注者数量≥10的用户),确实慢了点(部分原因是知乎的网站结构,下面分析)。

分析知乎的网站结构

以一个我关注的知乎大佬为例,url 是:https://www.zhihu.com/people/warfalcon/answers

点击「关注者」,url 变成了:https://www.zhihu.com/people/warfalcon/followers,界面是这样的:

而点击「关注了」,url 变成了:https://www.zhihu.com/people/warfalcon/following,界面是这样的:

通过对比上面的3个 url,我们发现结构可能是下面这样的:

  1. https://www.zhihu.com是域名
  2. /people 代表是个人账号,美团的知乎账号是这样的:https://www.zhihu.com/org/mei-tuan-dian-ping-ji-shu-tuan-dui/activities,发现 /org 是企业账号
  3. 接下来的warfalcon是用户的唯一标识,和用户显示的名称是不一样的
  4. /answers是该用户回答的问题;/followers是关注了他的人;/following是他关注了的人。

而一般来说,一个用户「关注了」的人,比关注了这个用户的人更有价值:被关注的人更有可能是大V。对比上面的图片,发现warfalcon关注的人的关注者都是上万的,而关注他的人——至少前三个——都是0关注者。

确定爬虫的规则

warfalcon 关注的列表第一个用户是:大头帮主,在https://www.zhihu.com/people/warfalcon/following这里看到的网页结构是下面这样的:

但是爬虫出来的结果是没有这个div的,在整个 response 中搜索「大头帮主」,会发现存在于//div[@id='data']/@data-state结构中,将其所有的 &quot;都替换成引号,就可以发现下面的 json 结构:

发现这里的 name 是「大头帮主」,其关注者数量和上面的截图一致,确认查找是正确的。这个json的常用字段:

代码语言:javascript
复制
isFollowed:对方是否关注了自己(猜测)
userType:用户类型,有 用户、企业等
answerCount:回答问题的数量
isFollowing:自己是否关注了对方(猜测)
urlToken:用户的唯一标识,url中用的就是这个字段
id:用户的id,唯一标识,不利于记忆,所以才有上面的urlToken,应该是一一对应的
name:用户的名称,可以自定义,所以可以重复
gender:1是男,0是女,-1表示未填写
isOrg:是否为企业账号,和上面的userType有一点冗余
followerCount:被关注者的数量
bedge:行业

但是这里缺少了一些信息:教育程度、居住地点呢?因为抓取的url是https://www.zhihu.com/people/warfalcon/following,分析他的json数据:

发现只有在访问对应的 urlToken 的用户时,才有教育程度、居住地点等信息,测试其它账号也是一样的(另,还有一个返回比较全的信息是个人信息)。

爬虫分页

该用户关注了610人,每页显示20人,正好需要31页。

发现第2页的 url 是:https://www.zhihu.com/people/warfalcon/following?page=2,只需要在原来的网址上加上参数 page 即可。

策略分析

我们需要爬取一个用户所关注的所有用户吗?我觉得并不需要。因为:

  1. 单个用户可能关注了1000人,且有1000人关注了他。这是一个复杂的网络,我觉得取用户关注的前两页(即40人),就足够了。
  2. 按照上面的分析,也没有必要将关注了他的用户放入待爬虫的列表。
  3. 仅followerCount>10的用户,才加入待爬虫列表。
  4. 仅在访问对应的urlToken时,才会将这个用户的信息存入redis中(因为仅此时才有教育信息、地点信息)。
  5. 如果redis中已经有了这个人的信息,则将其排除掉,也不要将其关注者放入待爬虫列表,否则会导致非常巨大的冗余,爬了一些人之后就会非常慢

分析爬虫结果

代码贴在文章结尾处(很短,核心就50行左右)。先分析下爬虫结果(仅爬到了3w数据,第一次想分析数据时,误删了所有爬虫数据……现在又爬了一遍,写博客的时候才爬到3w,就这样吧~),「粉丝用户最多的用户」、「回答数最多的用户」就不分析了。

知乎用户高校排名

城市排名

代码

pom 文件

需要爬虫框架 webmagic。

代码语言:javascript
复制
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-core</artifactId>
    <version>0.7.3</version>
</dependency>
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-extension</artifactId>
    <version>0.7.3</version>
</dependency>

用户信息类

仅列出字段,get和set方法未列出。

代码语言:javascript
复制
public class ZhihuUserDo {

    private boolean org;
    private String type;
    private int answerCount;
    private int articlesCount;
    private String name;
    private int gender;
    private String urlToken;
    private int followerCount;
    private int followingCount;

    private String edu; // 仅自己才有
    private String loc; // 仅自己才有

核心爬虫类

没有启动 web 服务,直接写的 main 函数运行。核心逻辑就是 process 函数,如果不获取第二页数据会简洁许多,对结果应该也不会造成影响。

代码语言:javascript
复制
public class ZhihuUserProcessor implements PageProcessor {

    private Site site = Site.me().setCycleRetryTimes(1).setRetryTimes(1).setSleepTime(200).setTimeOut(3 * 1000)
            .setUserAgent(
                    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36")
            .addHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8")
            .addHeader("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3").setCharset("UTF-8");

    private static Jedis jedis = RedisUtil.getJedis();
    private static final String MAP_KEY = "zhihu_user";
    private static final int THRES_HOLD = 10;
    private static final int USERS_ONE_PAGE = 20;

    @Override
    public void process(Page page) {
        String dataJson = page.getHtml().xpath("//div[@id='data']/@data-state").all().get(0);
        String urlString = page.getUrl().toString();
        String urlToken = urlString.substring(START_LANGTH, urlString.lastIndexOf("/"));
        JSONObject entities = (JSONObject) JSONObject.parseObject(dataJson).get("entities");
        JSONObject users = entities.getJSONObject("users");
        for (String key : users.keySet()) {
            JSONObject object = users.getJSONObject(key);
            ZhihuUserDo zhihuUserDo = JSONObject.parseObject(object.toString(), ZhihuUserDo.class);
            /**
             * 1. following 和 followers 都有自己的信息,只需要用一个即可 2. 仅自己,仅有edu 和 loc 信息
             */
            if (zhihuUserDo.getUrlToken().equals(urlToken) && !urlString.contains("?page=")) {
                if (jedis.hexists(MAP_KEY, urlToken)) {
                    continue;
                }
                // educations
                Object educations = object.get("educations");
                if (educations != null) {
                    JSONObject school = (JSONObject) JSON.parseArray(educations.toString()).get(0);
                    if (school != null) {
                        zhihuUserDo.setEdu(((JSONObject) school.get("school")).getString("name"));
                    }
                }
                // locations
                Object locations = object.get("locations");
                if (locations != null) {
                    JSONObject loc = (JSONObject) JSON.parseArray(locations.toString()).get(0);
                    if (loc != null) {
                        zhihuUserDo.setLoc(loc.getString("name"));
                    }
                }
                // 「关注了」需要分页,仅在本人信息中才有该字段
                if (zhihuUserDo.getFollowingCount() > USERS_ONE_PAGE) {
                    int pagesTotal = zhihuUserDo.getFollowingCount() / USERS_ONE_PAGE + 1;
                    pagesTotal = Math.min(4, pagesTotal); // 防止「关注了」过多
                    List<String> urls = new ArrayList<>();
                    for (int i = 2; i <= pagesTotal; i++) {
                        urls.add(new StringBuilder(URL_START).append(urlToken).append(URL_FOLLOWING).append("?page=")
                                .append(i).toString());
                    }
                    page.addTargetRequests(urls);
                }
                jedis.hset(MAP_KEY, urlToken, JSON.toJSONString(zhihuUserDo));
            } else {
                // 如果被关注者>=10人,则加入爬虫队列
                if (zhihuUserDo.getFollowerCount() >= THRES_HOLD
                        && !jedis.hexists(MAP_KEY, zhihuUserDo.getUrlToken())) {
                    page.addTargetRequest(URL_START + zhihuUserDo.getUrlToken() + URL_FOLLOWING);
                }
            }
        }
    }

    private static final String URL_START = "https://www.zhihu.com/people/";
    private static final String URL_FOLLOWING = "/following";
    private static final int START_LANGTH = URL_START.length();

    public static void main(String[] args) {
        start();
    }

    public static void start() {
        List<String> urls = new ArrayList<>();
        urls.add("https://www.zhihu.com/people/warfalcon/following");
        urls.add("https://www.zhihu.com/people/warfalcon/followers");
        Spider.create(new ZhihuUserProcessor()).addUrl(urls.get(0), urls.get(1)).thread(3).run();
    }

    @Override
    public Site getSite() {
        return site;
    }
}

总结

  1. 爬虫结束后,想把 redis 数据从一台电脑转移到另一台电脑,小手一抖就给删除了……浪费了很长时间
  2. 仅开3个线程,是不需要代理IP的;爬取时也不需要随机休眠一段时间
  3. redis 存储用户信息使用的 json 格式,可能有些大。但是想想一个用户大概170字节,3w用户也就不到10M。
  4. 线程池、超时重试什么的都没管,都是 webmagic 框架做的
  5. 通过分析发现,知乎用户都是清北的,而且除了北上广深,居住在国外的用户也能占据30%
  6. 数据不准确,所爬的对象是关注者≥10的用户
  7. 学校、居住地的分析并不严谨,因为地点北京市海淀区并没有包括在北京中,学校也同理
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017.12.03 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 目标
  • 整体思路
    • JDK 环境
      • 存储结构:redis
        • 爬虫框架:webmagic
          • 为什么使用 webmagic?
        • 代理 IP
          • 爬取速度
          • 分析知乎的网站结构
            • 确定爬虫的规则
              • 爬虫分页
                • 策略分析
                • 分析爬虫结果
                  • 知乎用户高校排名
                    • 城市排名
                    • 代码
                      • pom 文件
                        • 用户信息类
                          • 核心爬虫类
                          • 总结
                          相关产品与服务
                          对象存储
                          对象存储(Cloud Object Storage,COS)是由腾讯云推出的无目录层次结构、无数据格式限制,可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。腾讯云 COS 的存储桶空间无容量上限,无需分区管理,适用于 CDN 数据分发、数据万象处理或大数据计算与分析的数据湖等多种场景。
                          领券
                          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档