摘要：最近看了很多關于爬蟲入門的文章，發現其中大部分都是以知乎為爬取對象，所以這次我也以知乎為目標來進行爬取的演示，用到的爬蟲框架為編寫的。項目地址這次寫的內容為爬取知乎的用戶，下面就是詳細說一下寫爬蟲的過程了。

最近看了很多關于爬蟲入門的文章，發現其中大部分都是以知乎為爬取對象，所以這次我也以知乎為目標來進行爬取的演示，用到的爬蟲框架為 PHP 編寫的 Beanbun。

項目地址：https://github.com/kiddyuchina/Beanbun

這次寫的內容為爬取知乎的用戶，下面就是詳細說一下寫爬蟲的過程了。

爬取知乎用戶的思路比較簡單，就是從某個用戶開始，先抓取這個用戶關注的人和關注他的人，抓取到這些人后，再抓取他們的相關的用戶。
現在知乎是可以使用游客身份進行瀏覽的，也省去了注冊和登錄這一部分。先隨便找個大V吧，因為他們的關注者比較多，我選擇的是大名鼎鼎的張公子，張公子的關注者有13萬，就是說只爬取他的關注者，我們都能有13萬的用戶數據~

在用戶頁面中打開chrome瀏覽器的開發者選項，點擊關注者后就可以看到請求地址和數據。

就以這個作為入口開始爬取了~
此處跳過框架的安裝和隊列的開啟，直接上爬蟲的代碼：
（如果需要跳過的部分，可以看一下文檔）

name = "zhihu_user";
$beanbun->count = 5;
$beanbun->interval = 4;
$beanbun->seed = "https://www.zhihu.com/api/v4/members/zhang-jia-wei/followers?include=data%5B*%5D.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics&offset=0&limit=20";
$beanbun->logFile = __DIR__ . "/zhihu_user_access.log";

上面是對爬蟲的配置，開啟5個進程同時爬取，設置爬取間隔為4秒。在爬去前，我們還要設置一下請求的headers，好讓網站認為是人類再瀏覽他- -。headers的內容從開發者選項中一股腦粘貼進來。

$beanbun->beforeDownloadPage = function ($beanbun) {
    // 在爬取前設置請求的 headers 
    $beanbun->options["headers"] = [
        "Host" => "www.zhihu.com",
        "Connection" => "keep-alive",
        "Cache-Control" => "max-age=0",
        "Upgrade-Insecure-Requests" => "1",
        "User-Agent" => "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36",
        "Accept" => "application/json, text/plain, */*",
        "Accept-Encoding" => "gzip, deflate, sdch, br",
        "authorization" => "oauth c3cef7c66a1843f8b3a9e6a1e3160e20",
    ];
};

而在請求到數據后，我還需要把他們存到數據庫中，因為主要是演示，所以只保存用戶的id,name,follower,following這四個數據。

// 數據庫配置
Db::$config["zhihu"] = [
    "server" => "127.0.0.1",
    "port" => "3306",
    "username" => "xxxx",
    "password" => "xxxx",
    "database_name" => "zhihu",
    "charset" => "utf8",
];

$beanbun->afterDownloadPage = function ($beanbun) {
    // 獲取的數據為 json，先解析
    $data = json_decode($beanbun->page, true);

    // 如果沒有數據或報錯，那可能是被屏蔽了。就把地址才重新加回隊列
    if (isset($data["error"]) || !isset($data["data"])) {        
        $beanbun->queue()->add($beanbun->url);
        $beanbun->error();
    }
    
    // 如果本次爬取的不是最后一頁，就把下一頁加入隊列
    if ($data["paging"]["is_end"] == false) {
        $beanbun->queue()->add($data["paging"]["next"]);
    }

    $insert = [];
    $date = date("Y-m-d H:i:s");

    foreach ($data["data"] as $user) {
        // 如果關注者或者關注的人小于5個，就不保存了
        if ($user["follower_count"] < 5 || $user["following_count"] < 5) {
            continue ;
        }
        $insert[] = [
            "id" => $user["id"],
            "name" => $user["name"],
            "follower" => $user["follower_count"],
            "following" => $user["following_count"],
            "created_at" => $date,
        ];
        // 把用戶的關注者和關注的人列表加入隊列
        $beanbun->queue()->add("https://www.zhihu.com/api/v4/members/" . $user["url_token"] . "/followers?include=data%5B*%5D.following_count%2Cfollower_count&limit=20&offset=0");
        $beanbun->queue()->add("https://www.zhihu.com/api/v4/members/" . $user["url_token"] . "/followees?include=data%5B*%5D.following_count%2Cfollower_count&limit=20&offset=0");
        }
    }

    if (count($insert)) {
        Db::instance("zhihu")->insert("zhihu_user", $insert);
    }
    // 把剛剛爬取的地址標記為已經爬取
    $beanbun->queue()->queued($beanbun->queue);
};
// 不需要框架來發現新的網址，
$beanbun->discoverUrl = function () {};
$beanbun->start();

接下來在命令行運行爬蟲

$ php zhihu_user.php start

再去看一眼數據庫，源源不斷的用戶數據保存進來了~
在一切順利的情況下，我又稍微作了一下死，把爬取的間隔減到了2秒，于是在10幾分鐘之后，我被知乎封掉了....
這種情況比較常見的解決方式就是使用代理，下面就在原有爬蟲基礎上，增加一個簡單的可定時更新的代理池。
先停止爬蟲

$ php zhihu_user.php stop

網上有很多免費代理的網站，我隨便選了一個提供免費代理的網站，爬取到代理的數據后，先請求一下163，如果成功的話就加入代理池。

function getProxies($beanbun) {
    $client = new GuzzleHttpClient();
    $beanbun->proxies = [];
    $pattern = "/(.+)(d+)(.+)(HTTP|HTTPS)
get("http://www.mimiip.com/gngao/$i");
        $html = str_replace(["  ", "
", "
"], "", $res->getBody());
        preg_match_all($pattern, $html, $match);
        foreach ($match[1] as $k => $v) {
            $proxy = strtolower($match[4][$k]) . "://{$v}:{$match[2][$k]}";
            echo "get proxy $proxy ";
            try {
                $res = $client->get("http://mail.163.com", [
                    "proxy" => $proxy,
                    "timeout" => 6
                ]);
                echo "success.
";
            } catch (Exception $e) {
                echo "error.
";
            }
        }
    }
}

if ($argv[1] == "start") {
    getProxies($beanbun);
}

$beanbun->startWorker = function($beanbun) {
    // 每隔半小時，更新一下代理池
    Beanbun::timer(1800, "getProxies", $beanbun);
};

再在之前的 beforeDownloadPage 中加入

if (isset($beanbun->proxies) && count($beanbun->proxies)) {
    $beanbun->options["proxy"] = $beanbun->proxies[array_rand($beanbun->proxies)];
}

再次啟動爬蟲，爬蟲還會接著之前的隊列繼續爬取。

$ php zhihu_user.php start

再看看數據庫，使用代理可能會比之前慢一些，不過數據又繼續增加了。
最終的代碼可以在 Github 上查看

https://github.com/kiddyuchin...

例子中的代理池還是比較簡陋的，只是用來說明框架的靈活，而爬取到數據在這里就不做圖表進行分析了，希望大家關注的也是寫爬蟲的過程。
最后如果你對這篇文章感興趣，希望能到 Github 上給個 star 啦，謝謝~

https://github.com/kiddyuchin...