來看看Pythoner志朋的爬蟲實(shí)驗(yàn)

下面我們來看看Pythoner志朋的爬蟲實(shí)驗(yàn)。

一、使用的技術(shù)棧：

爬蟲：python27 +requests+json+bs4+time

分析工具： ELK套件

開發(fā)工具：pycharm

二、數(shù)據(jù)成果

爬取了知乎部分的用戶數(shù)據(jù)信息。

三、簡(jiǎn)單的可視化分析

1.性別分布

0 綠色代表的是男性 ^ . ^ ——1代表的是女性———— -1 性別不確定

可見知乎的用戶男性頗多。

2.粉絲最多的top30

粉絲最多的前三十名：依次是張佳瑋、李開復(fù)、黃繼新等等，去知乎上查這些人，也差不多這個(gè)排名，說明爬取的數(shù)據(jù)具有一定的說服力。

3.寫文章最多的top30

四、爬蟲架構(gòu)

爬蟲架構(gòu)圖如下：

說明：

選擇一個(gè)活躍的用戶（比如李開復(fù)）的url作為入口url.并將已爬取的url存在set中。

抓取內(nèi)容，并解析該用戶的關(guān)注的用戶的列表url，添加這些url到另一個(gè)set中，并用已爬取的url作為過濾。

解析該用戶的個(gè)人信息，并存取到本地磁盤。

logstash取實(shí)時(shí)的獲取本地磁盤的用戶數(shù)據(jù)，并給elsticsearch

kibana和elasticsearch配合，將數(shù)據(jù)轉(zhuǎn)換成用戶友好的可視化圖形。

五.編碼

爬取一個(gè)url:

解析內(nèi)容：

存本地文件：

代碼說明：

需要修改獲取requests請(qǐng)求頭的authorization。

需要修改你的文件存儲(chǔ)路徑。

源碼下載：https://github.com/forezp/ZhihuSpiderMan，記得star哦！

六.如何獲取authorization

打開chorme，打開https://www.zhihu.com/，

登陸，首頁隨便找個(gè)用戶，進(jìn)入他的個(gè)人主頁，F(xiàn)12(或鼠標(biāo)右鍵，點(diǎn)檢查)

點(diǎn)擊關(guān)注，刷新頁面，見圖：

七、可改進(jìn)的地方

可增加線程池，提高爬蟲效率

存儲(chǔ)url的時(shí)候我才用的set(),并且采用緩存策略，最多只存2000個(gè)url，防止內(nèi)存不夠，其實(shí)可以存在redis中。

存儲(chǔ)爬取后的用戶我說采取的是本地文件的方式，更好的方式應(yīng)該是存在mongodb中。

對(duì)爬取的用戶應(yīng)該有一個(gè)信息的過濾，比如用戶的粉絲數(shù)需要大與100或者參與話題數(shù)大于10等才存儲(chǔ)。防止抓取了過多的僵尸用戶。

八.關(guān)于ELK套件

關(guān)于elk的套件安裝就不討論了，具體見官網(wǎng)就行了。網(wǎng)站：https://www.elastic.co/

另外logstash的配置文件如下：

九、結(jié)語

從爬取的用戶數(shù)據(jù)可分析的地方很多，比如地域、學(xué)歷、年齡等等，我就不一一列舉了。

另外，我覺得爬蟲是一件非常有意思的事情，在這個(gè)內(nèi)容消費(fèi)升級(jí)的年代，如何在廣闊的互聯(lián)網(wǎng)的數(shù)據(jù)海洋中挖掘有價(jià)值的數(shù)據(jù)，是一件值得思考和需不斷踐行的事情。