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。
- beautifulsoup4
- requests
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":"", "id":"19590324" }, "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…", "id":"19599737" } } ], "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。", "id":"19557307" }, "job":{ "url":"http://www.zhihu.com/api/v4/topics/19578588", "avatarUrl":"https://pic1.zhimg.com/e82bab09c_is.jpg", "name":"Developer", "introduction":"", "type":"topic", "excerpt":"", "id":"19578588" } } ], "type":"people", "avatarHue":"", "avatarUrlTemplate":"https://pic1.zhimg.com/3a6c25ac3864540e80cdef9bc2a73900_{size}.jpg", "followingTopicCount":34, "description":"长期开发跨三大PC平台的GUI库<br><a href="https://link.zhihu.com/?target=http%3A//www.gaclib.net" class=" external" target="_blank" rel="nofollow noreferrer"><span class="invisible">http://www.</span><span class="visible">gaclib.net</span><span class="invisible"></span><i class="icon-external"></i></a>，讨论QQ群：231200072（不闲聊）<br>不再更新的技术博客：<a href="https://link.zhihu.com/?target=http%3A//www.cppblog.com/vczh" class=" external" target="_blank" rel="nofollow noreferrer"><span class="invisible">http://www.</span><span class="visible">cppblog.com/vczh</span><span class="invisible"></span><i class="icon-external"></i></a>", "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", "id":"19619368" }, "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。", "id":"19583552" } ], "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。
-
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。
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。
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。
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。