Java 知乎爬虫

2017-12-03 本文已影响830人被称为L的男人

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：

关注者数量<10的用户，很多的僵尸用户、不活跃用户
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？

基于内存的存储，速度快，同时又具有持久性
开发非常简单
多种数据结构，自带排序功能
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：

https://www.zhihu.com是域名
/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
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
/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 "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：

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：

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。
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。
仅followerCount>10的用户，才加入待爬虫列表。
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）。
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。

<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。

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。

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

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
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
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。
线程池、超时重试什么的都没管，都是 webmagic 框架做的
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%
数据不准确，所爬的对象是关注者≥10的用户
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