用NodeJS爬取知乎的关系链

kart 9年前

一、介绍

NodeJS单线程、事件驱动的特性可以在单台机器上实现极大的吞吐量,非常适合写网络爬虫这种资源密集型的程序。

这段时间写了一个可以爬取知乎关系链的小爬虫,输入某个用户的用户主页URL,就可以爬取他的关系链:
https://github.com/starkwang/Zhihu-Spider

二、爬虫的实现

数据请求方面使用了request这个模块,用express响应请求,前端构图使用了Echarts,中间数据交互是用websocket做的。

主要用到了知乎的两个API:

  //获取目标用户的关注者  POST https://www.zhihu.com/node/ProfileFollowersListV2    参数:  method:"next", //填入next即可  params:{      offset:40, //20的倍数,从0开始每次拉取20个关注者      order_by:"created", //填入"created"即可      hash_id:"d965f32a168564f9e58ad3a48a1585a4" //目标用户在知乎唯一的hash_id  },   _xsrf:"289c6ef5534d3dbb6a54057826864799" //xsrf参数,cookie中给定的
  //获取目标用户关注的人  POST https://www.zhihu.com/node/ProfileFolloweesListV2    参数:  method:"next", //填入next即可  params:{      offset:40, //20的倍数,从0开始每次拉取20个关注的人      order_by:"created", //填入"created"即可      hash_id:"d965f32a168564f9e58ad3a48a1585a4" //目标用户在知乎唯一的hash_id  },   _xsrf:"289c6ef5534d3dbb6a54057826864799" //xsrf参数,cookie中给定的

爬虫的工作流程如下:

  1. 获取目标用户的关注者、关注的人列表,找出和他相互关注的人(即朋友)

  2. 对朋友列表里的朋友重复1中的步骤,找出朋友的朋友列表

  3. 遍历2中的结果,找出朋友之间的相互关注关系

三、部分代码

首先我们写一个getUser方法,它的作用是请求一个用户主页URL,获取请求结果,解析出用户的昵称、hash_id、关注者数量、关注的人数量。

  var request = require('request');  var Promise = require('bluebird');  var config = require('../config');    function getUser(userPageUrl) {      return new Promise(function(resolve, reject) {          request({              method: 'GET',              url: userPageUrl,              headers: {                  'cookie': config.cookie              }          }, function(err, res, body) {              if (err) {                  reject(err);              } else {                  resolve(parse(body));              }          })      });  }    function parse(html) {      var user = {};        var reg1 = /data-name=\"current_people\">\[.*\"(\S*)\"\]<\/script>/g;      reg1.exec(html);      user.hash_id = RegExp.$1;        var reg2 = /关注了<\/span><br \/>\n<strong>(\d*)/g;      reg2.exec(html);      user.followeeAmount = parseInt(RegExp.$1);        var reg3 = /关注者<\/span><br \/>\n<strong>(\d*)/g;      reg3.exec(html);      user.followerAmount = parseInt(RegExp.$1);        var reg4 = /<title> (.*) - 知乎<\/title>/g      reg4.exec(html);      user.name = RegExp.$1;      return user;  }    module.exports = getUser;  

接下来需要一个fetchFollwerOrFollwee方法,它的作用是输入上面的user对象,根据在第二部分介绍的API,抓取出用户的所有关注的人或者关注者,使用方法类似(使用es6):

  getUser('someURL')      .then(user => fetchFollwerOrFollwee({user: user, isFollowees: false})      .then(list => console.log(list))

具体代码参照这里,就不贴上来了

接下来要做的就是组合getUserfetchFollwerOrFollwee,变成一个getFriends方法,输入是用户页URL,输出是用户的好友列表,大概像这样:

  function getFriends(someURL){      getUser(someURL)          .then(user => fetchFollwerOrFollwee(...))          .then((followersList, follweesList) => findFriends(followersList, follweesList))  }

然后我们可以封装一个最后的searchSameFriend方法,输入是某个user和一个好友列表myFriends,输出是这个user的所有好友中,也在列表myFriends中的好友

  function searchSameFriend(user, myFriends){      return getFriends(user.url)          .then(user => findSameFriends(userFriends, myFriends))          .then(sameFriends => console.log(sameFriends))  }

最后整个爬虫的promise流程大概是这样的:

  function Spider(){      return getUser(URL)          .then(user => getFriends(user))          .then(userFriends =>               Promise.map(userFriends, friend => searchSameFriend(friend,userFriends))          )  }

当然其中缺少了部分用websocket和前端数据交互的代码