一个获取知乎用户主页信息的多线程Python爬虫程序

简介：

使用Requests模拟HTTP请求/响应，Beautiful Soup 4提取页面信息。

使用Python内置的Thread多线程和IP代理提升爬取速度，并绕过知乎的反爬虫机制。

使用Python内置的query作为消息队列。

用csv文件存储数据。

环境依赖

beautifulsoup4

requests

使用方法

在项目路径下输入以安装需要的模块：

$ pip install -r requirments.txt

打开proxy.py文件，在""处填写代理隧道验证信息：

# 代理隧道验证信息

proxyUser = ""

proxyPass = ""

（笔者使用一个IP代理隧道，若需要使用普通IP代理，则需要改写getproxies函数，关于代理的细节在后文中详述。）

运行：

$ python spider/run.py

数据

运行爬虫一段时间后，将会在项目目录下的datafile文件夹中找到存储数据的csv文件。

每个csv文件100MB，以方便数据分析，同时降低文件意外损坏带来的损失。

数据格式为典型的表格：

第一行为表头，表格一共三列：

第一列为用户的url token，即用户主页url中的id，如用户vczh的主页链接：https://www.zhihu.com/people/excited-vczh ，那么vczh的token就是excited-vczh，这个token具有唯一性。

第二列为对应用户的数据，数据是json格式的，因为知乎在页面中是以json来传送用户信息的，所以就直接存储了这个json，Python内置json读写函数，非常方便数据分析。

以下是整理格式后，用户vczh的数据:

{

"isFollowed":false,

"educations":[

{

"major":{

"url":"http://www.zhihu.com/api/v4/topics/19590324",

"avatarUrl":"https://pic1.zhimg.com/e82bab09c_is.jpg",

"name":"软件学院",

"introduction":"",

"type":"topic",

"excerpt":"",

},

"school":{

"url":"http://www.zhihu.com/api/v4/topics/19599737",

"avatarUrl":"https://pic2.zhimg.com/4d0d193a9_is.jpg",

"name":"华南理工大学（SCUT）",

"introduction":"华南理工大学（South China University of Technology）（原华南工学院，1952年建立）：教育部直属的重点大学，涵盖理、工、管、经、文、法等多学科，先后成为“211工程”和“985工程”院校，被誉为中国“南方工科大学的一面旗帜”，“工程师的摇篮”，“企业家的摇篮”。校园分为两个校区，北校区位于广州市天河区五山高校区，南校区位于广州市番禺区广州大学城内。学校占地面积4417亩(其中南校区1677亩)。北校区湖光山色交相辉映，绿树繁花香飘四季，民族式建筑与现代化楼群错落有致，环境优美清新，文化底蕴深厚，是教育部命名的“文明校园”；南校区是一个环境优美、设施先进、管理完善、制度创新的现代化校园，是莘莘学子求学的理想之地。",

"type":"topic",

"excerpt":"华南理工大学（South China University of Technology）（原华南工学院，1952年建立）：教育部直属的重点大学，涵盖理、工、管、经、文、法等多学科，先后成为“211工程”和“985工程”院校，被誉为中国“南方工科大学的一面旗帜”，“工程师的摇篮”，“企业家的摇篮”。校园分为两个校区，北校区位于广州市天河区五山高校区，南校区位于广州市番禺区广州大学城内。学校占地面积4417亩(其中南校区1677亩)。北校区湖光山色交相辉…",

}

}

],

"followingCount":2263,

"voteFromCount":0,

"userType":"people",

"showSinaWeibo":false,

"pinsCount":0,

"isFollowing":false,

"markedAnswersText":"编辑推荐",

"isPrivacyProtected":false,

"accountStatus":[

],

"isForceRenamed":false,

"id":"0970f947b898ecc0ec035f9126dd4e08",

"favoriteCount":1,

"voteupCount":1388515,

"commercialQuestionCount":0,

"isBlocking":false,

"followingColumnsCount":73,

"headline":"专业造轮子，拉黑抢前排。gaclib.net",

"urlToken":"excited-vczh",

"participatedLiveCount":6,

"followingFavlistsCount":20,

"isAdvertiser":false,

"isBindSina":true,

"favoritedCount":236566,

"isOrg":false,

"followerCount":583782,

"employments":[

{

"company":{

"url":"http://www.zhihu.com/api/v4/topics/19557307",

"avatarUrl":"https://pic3.zhimg.com/v2-d3a9ee5ba3a2fe711087787c6169dcca_is.jpg",

"name":"Microsoft Office",

"introduction":"Microsoft Office 是一套由微软开发的办公软件。",

"type":"topic",

"excerpt":"Microsoft Office 是一套由微软开发的办公软件。",

},

"job":{

"url":"http://www.zhihu.com/api/v4/topics/19578588",

"avatarUrl":"https://pic1.zhimg.com/e82bab09c_is.jpg",

"name":"Developer",

"introduction":"",

"type":"topic",

"excerpt":"",

}

}

],

"type":"people",

"avatarHue":"",

"avatarUrlTemplate":"https://pic1.zhimg.com/3a6c25ac3864540e80cdef9bc2a73900_.jpg",

"followingTopicCount":34,

"description":"长期开发跨三大PC平台的GUI库

http://www.gaclib.net，讨论QQ群：231200072（不闲聊）

不再更新的技术博客：http://www.cppblog.com/vczh",

"business":{

"url":"http://www.zhihu.com/api/v4/topics/19619368",

"avatarUrl":"https://pic1.zhimg.com/e82bab09c_is.jpg",

"name":"计算机软件",

"introduction":"徼",

"type":"topic",

"excerpt":"徼",

},

"avatarUrl":"https://pic1.zhimg.com/3a6c25ac3864540e80cdef9bc2a73900_is.jpg",

"columnsCount":5,

"hostedLiveCount":0,

"isActive":1,

"thankToCount":0,

"mutualFolloweesCount":0,

"markedAnswersCount":4,

"coverUrl":"https://pic1.zhimg.com/v2-67b965aa94a92ed49b1a4205145b5cf4_b.jpg",

"thankFromCount":0,

"voteToCount":0,

"isBlocked":false,

"answerCount":16163,

"allowMessage":false,

"articlesCount":66,

"name":"vczh",

"questionCount":487,

"locations":[

{

"url":"http://www.zhihu.com/api/v4/topics/19583552",

"avatarUrl":"https://pic4.zhimg.com/161f6ece791a4950ded3278fb74a2f9b_is.jpg",

"name":"西雅图（Seattle）",

"introduction":"西雅图是美国西北部最大的城市。多家高科技公司的总部（Microsoft, Amazon，Boeing 等等）坐落于此。",

"type":"topic",

"excerpt":"西雅图是美国西北部最大的城市。多家高科技公司的总部（Microsoft, Amazon，Boeing 等等）坐落于此。",

}

],

"badge":[

],

"url":"http://www.zhihu.com/api/v4/people/0970f947b898ecc0ec035f9126dd4e08",

"messageThreadToken":"4874924000",

"logsCount":2365,

"followingQuestionCount":26892,

"thankedCount":176110,

"gender":1

}

可以看到，用户vczh的大部分基本信息都被包含了。

3.第三列保存每个用户的关注用户列表，每个用户只保存20个，此列不用作为数据，只作为爬虫中断后恢复现场和任务队列的用处，分析数据时可以忽略。

程序介绍

程序文件结构

程序文件结构如下：

spider文件夹：爬虫程序文件

proxy.py: 包含getproxy()函数，用于获取代理服务器的IP地址和端口，调用一次返回一个代理IP。

crawl.py: 包含Crawl类，实现用户页面的获取和用户json信息的提取。

datafile.py: 包含DataFile类，实现数据文件的管理和存取。

run.py: 程序执行的主要流程，实现了多线程爬虫，其中一个Master线程管理已爬取列表和生成待爬取任务，并响应Worker线程返回的信息；若干Worker线程，数量可设置，用于爬取用户信息并存入数据文件中，同时向Master线程返回一个状态信息。

datafile文件夹：存储数据文件

程序流程

程序流程如下：

这个爬虫的策略是，选择一个用户作为起始点，获取他的关注列表，加入到任务队列中，作为之后将要爬取的用户，继续获取这些用户的关注列表，去重再加入任务队列，如此循环。把知乎的用户关系看作一个图的话，这个策略类似于广度优先搜索。

至于为什么使用关注列表而不是被关注列表，因为通常每个用户关注的用户都是有效用户，而被关注列表中往往存在三零用户，脚本注册的伪用户等，这类用户通常不被其他用户关注。所以这种策略能高效地筛选出知乎的有效用户。

代理

知乎拥有一定的反爬虫机制。在此案例中，知乎的用户页面不需要登录就能查看，所以需要解决的问题就是IP封锁。笔者简单测试，对于一个IP，每秒一次请求，大约5分钟后就会要求输入验证码，可以说非常严格，所以使用IP代理服务来解决IP封锁的问题。

一般来说，我们有两种解决方案，一种是自己搜集免费代理，建立一个IP代理池，第二种是直接使用付费代理服务。无论哪种，我们的获取代理IP并爬取目标网站的流程大致是这样：

通过IP代理服务请求一个IP，再使用这个IP代理服务器转发请求，获取页面。

笔者使用的IP代理服务略有区别，是一种IP代理隧道，流程大致是这样的：

对于爬虫来说，就省略了一个获取IP的步骤，只需要直接将请求发送到指定的IP代理服务就可以了。

如果需要使用使用上一种通用的IP代理模式，那么只需要再proxy.py中重写getproxies函数就可以了。

用户信息获取

通常一个请求/响应不能加载一个完整页面，所以需要一组请求/响应来完成html文本，JavaScript代码，图片/音频等资源文件的加载。不过这个爬虫案例中，我们在第一次请求/响应中获取的html文档就包含我们需要的所有信息。

以用户vczh为例，其主页为 https://www.zhihu.com/people/excited-vczh ，这个页面下还有anwsers，asks，posts等标签页，我们直接访问following（关注列表）标签页，即 https://www.zhihu.com/people/excited-vczh/following ， 这样一次请求/响应即可同时获得用户信息和用户关注列表。

打开chrome调试工具，查看第一次请求/响应的详细内容：

得到html文本后，在html接近末尾的一个div标签中，有一个data-state属性，它用json存储了信息，我们需要的用户信息和用户关注列表都在其中：

数据存储

数据采用csv文件存储，对于pandas等数据分析工具，csv格式非常方便。

考虑到文件意外损坏的可能性，分多个文件存储，每个文件100MB。

由于程序使用了多线程，所以在存取数据时保证了线程安全。

并发

程序使用多线程来解决网络IO阻塞导致CPU空闲的问题。

由于Python原生解释器的GIL锁，Python的多线程只是在一个CPU上切换运行，而不是在多个CPU上并行运行，所以使用场景有一些限制。换句话说，对于一颗四核心的CPU，一个Python程序实例最高只有25%的占用率。

不过对于此爬虫案例，GIL锁并不是瓶颈，笔者测试，此程序在使用某个付费代理服务时，在200线程的情况下，能保持100请求/s的并发，CPU占用率约在17%-22%（笔记本四核i7），带宽占用不足1MB/s。