看了不少朋友圈裡推薦的Python爬蟲文章，都覺得太小兒科，處理內容本來就是PHP的強項，Python唯一的好處估計也就天生的Linux自帶， 和Perl一樣，這點覺得挺不夠意思的Linux，還是Mac厚道，天生就自帶了Python、Perl、PHP、Ruby，當然我也很討厭討論一門語言 的好壞，每門語言存在就一定有它的道理，反正PHP是全世界最好用的語言，大家都懂的^_^

  前幾天比較火的是一個人用C#寫了一個多執行緒爬蟲程式，抓取了QQ空間3000萬QQ使用者，其中有300萬用戶是有QQ號、暱稱、空間名稱等資訊的，也就 是說，有詳情也就300萬，跑了兩週，這沒什麼，為了證明PHP是全世界最好的語言，雖然大家都懂的^_^，我用PHP寫了一個多程序爬蟲程式，只用了一 天時間，就抓了知乎100萬用戶，目前跑到第8圈(depth=8)互相有關聯(關注了和關注者)的使用者。

爬蟲程式設計：

因為知乎需要登入才能獲取到關注者頁面，所以從chrome登入之後把cookie拷貝下來給curl程式模擬登入。

使用兩大獨立迴圈程序組(使用者索引程序組、使用者詳情程序組)，用的是php的pcntl擴充套件，封裝了一個非常好用的類，使用起來和golang的攜程也差不多了。

下面是使用者詳情的截圖，使用者索引程式碼類似

這裡插個題外話，經過測試，我的8核的Macbook，跑16程序的速度最快，而16核的Linux伺服器，居然是跑8程序最快，這點有點讓我莫名其妙了，不過既然測試出最後程序數，就按照最好的設定就好啦。

1、使用者索引程序組先以一個使用者為起點，抓取這個使用者的關注了和關注者，然後合併入庫，因為是多程序，所以當有兩個程序在處理同一個使用者入庫的時候就會出 現重複的使用者，所以資料庫使用者名稱欄位一定要建立唯一索引，當然也可以用redis這些第三方快取來保證原子性，這個就見仁見智了。

通過步驟一之後，我們就得到下面的使用者列表：

2、使用者詳情程序組按照時間正序，拿到最先入庫的使用者抓取詳情，並且把更新時間更新為當前時間，這樣就可以變成一個死迴圈，程式可以無休止的跑，不斷的迴圈更新使用者資訊。

程式穩定執行到第二天，突然沒有新資料了，檢查了一下發現知乎改規則了，不知是為了防我，還是碰巧，反正給我返回的資料是這樣的

第一感覺就是胡亂給我輸出資料讓我採集不到，換了IP、模擬偽裝了些資料，都沒用，突然感覺這個很熟悉，會不會是gzip？抱著懷疑的態度，試了試gzip，首先當然是告訴知乎不要給我gzip壓縮過的資料

把 "Accept-Encoding: gzip,deflate\r\n"; 去掉，然並卵！

看來知乎是強制要給我gzip壓縮資料了，既然如此，那我就解壓唄，查了一下php解壓gzip，發現就一個函式gzinflate，於是把獲取到得內容加上：

$content = substr($content, 10);

$content = gzinflate($content));

當然還可以用curl自帶的：

curl_setopt( self::$ch, CURLOPT_ENCODING, 'gzip' );

這裡我真想說，PHP真的是全世界最好的語言，就一兩個函式，就徹底解決了問題，程式又歡快的跑起來了。

在匹配內容的時候，知乎的細心也是給了我無數的幫助，例如我要分清使用者性別：

哈哈開玩笑的拉，其實是樣式裡面有 icon-profile-female 和 icon-profile-male ^_^

我蛋疼的抓了它那麼多使用者，到底有什麼用呢？

其實沒什麼用，我就是閒的蛋疼 ^_^

有了這些資訊，其實就可以做一些別人開頭閉口就亂吹一通的大資料分析拉

最常見的當然是：

1、性別分佈

2、地域分佈

3、職業分佈，來自那個公司

4、每個職業的男女比例

5、大家一般在什麼時候上知乎？發問題、關注問題，那些問題值得關注

當然，按照關注人數、瀏覽人數、提問數、回答數等排序，看看人民都在關注什麼，民生、社會、地理、政治，整個網際網路都盡收眼底拉。。

也許，你還可以把頭像拿來分析，用開源的驗黃程式，把色情的篩選出來，然後去拯救東莞？ ^_^

然後，你還可以看看那些大學出來的人，最後都幹了什麼。

有了這些資料，是不是可以開啟腦洞 ^_^

http://developer.51cto.com/art/201509/491336.htm