卍 花径不曾缘客扫, 蓬门今始为君开. 古佛拈花方一笑, 痴人说梦已三生!

碉堡了!一小时爬取百万知乎用户信息的Python神器曝光

Python 拈花古佛 9779℃ 0评论 繁體

一、使用的技术栈:

  • 爬虫:python27 requests json bs4 time
  • 分析工具: ELK套件
  • 开发工具:pycharm

二、数据成果

爬取了知乎部分的用户数据信息。

三、简单的可视化分析

1.性别分布

  • 0 绿色代表的是男性 ^ . ^
  • 1 代表的是女性
  • -1 性别不确定

可见知乎的用户男性颇多。

碉堡了!一小时爬取百万知乎用户信息的Python神器曝光

2.粉丝最多的top30

粉丝最多的前三十名:依次是张佳玮、李开复、黄继新等等,去知乎上查这些人,也差不多这个排名,说明爬取的数据具有一定的说服力。

碉堡了!一小时爬取百万知乎用户信息的Python神器曝光

粉丝最多的top30

3.写文章最多的top30

碉堡了!一小时爬取百万知乎用户信息的Python神器曝光

写文章最多的top30

四、爬虫架构

爬虫架构图如下:

碉堡了!一小时爬取百万知乎用户信息的Python神器曝光

爬虫架构图

说明:

  • 选择一个活跃的用户(比如李开复)的url作为入口url.并将已爬取的url存在set中。
  • 抓取内容,并解析该用户的关注的用户的列表url,添加这些url到另一个set中,并用已爬取的url作为过滤。
  • 解析该用户的个人信息,并存取到本地磁盘。
  • logstash取实时的获取本地磁盘的用户数据,并给elsticsearch
  • kibana和elasticsearch配合,将数据转换成用户友好的可视化图形。

五.编码

爬取一个url:

def download(url):
    if url is None:
        return None
    try:
        response = requests.get(url, headers={
            \'User-Agent\': \'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36\',
            \'authorization\': \'your authorization \'
        })
        print (response.content)
        if (response.status_code == 200):
            return response.content
        return None
    except:
        return None

 

解析内容:

def parse(response):
    try:
        print (response)
        json_body = json.loads(response);
        json_data = json_body[\'data\']
        for item in json_data:
            if (not old_url_tokens.__contains__(item[\'url_token\'])):
                if(new_url_tokens.__len__()<2000):
                   new_url_tokens.add(item[\'url_token\'])
            if (not saved_users_set.__contains__(item[\'url_token\'])):
                jj=json.dumps(item)
                save(item[\'url_token\'],jj )
                saved_users_set.add(item[\'url_token\'])

        if (not json_body[\'paging\'][\'is_end\']):
            next_url = json_body[\'paging\'][\'next\']
            response2 = download(next_url)
            parse(response2)

    except:
        print (\'parse fail\')

 

存本地文件:

def save(url_token, strs):
    f = file("\\Users\\forezp\\Downloads\\zhihu\\user_"   url_token   ".txt", "w ")
    f.writelines(strs)
    f.close()

 

代码说明:

  • 需要修改获取requests请求头的authorization。
  • 需要修改你的文件存储路径。

源码下载:点击这里,记得star哦!

六.如何获取authorization

  • 打开chorme,打开https://www.zhihu.com/,
  • 登陆,首页随便找个用户,进入他的个人主页,F12(或鼠标右键,点检查)
  • 点击关注,刷新页面,见图:

碉堡了!一小时爬取百万知乎用户信息的Python神器曝光

如何获取authorization

七、可改进的地方

  • 可增加线程池,提高爬虫效率
  • 存储url的时候我才用的set(),并且采用缓存策略,最多只存2000个url,防止内存不够,其实可以存在redis中。
  • 存储爬取后的用户我说采取的是本地文件的方式,更好的方式应该是存在mongodb中。
  • 对爬取的用户应该有一个信息的过滤,比如用户的粉丝数需要大与100或者参与话题数大于10等才存储。防止抓取了过多的僵尸用户。

八.关于ELK套件

关于elk的套件安装就不讨论了,具体见官网就行了。网站:https://www.elastic.co/

另外logstash的配置文件如下:

input {
  # For detail config for log4j as input,
  # See: https://www.elastic.co/guide/en/logstash/current/plugins-inputs-log4j.html

    file {
        path => "/Users/forezp/Downloads/zhihu/*"
    }


}
filter {
  #Only matched data are send to output.
}
output {
  # For detail config for elasticsearch as output,
  # See: https://www.elastic.co/guide/en/logstash/current/plugins-outputs-elasticsearch.html
 elasticsearch {
    action => "index"          #The operation on ES
    hosts  => "localhost:9200"   #ElasticSearch host, can be array.
    index  => "zhihu"         #The index to write data to.
  }
}

九、结语

从爬取的用户数据可分析的地方很多,比如地域、学历、年龄等等,我就不一一列举了。另外,我觉得爬虫是一件非常有意思的事情,在这个内容消费升级的年代,如何在广阔的互联网的数据海洋中挖掘有价值的数据,是一件值得思考和需不断践行的事情。最后,本文仅用作交流学习,一切数据归知乎所有。如果知乎告知我侵权,我会立刻删除本文。

本文转载自简书,原文作者为志朋,如有漏洞,欢迎指正,并最后致谢作者的辛苦付出。

转载请注明:拈花古佛 » 碉堡了!一小时爬取百万知乎用户信息的Python神器曝光

喜欢 (1)or分享 (0)
发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址