用 NodeJS 爬取知乎的关系链
sunny_hlh
8年前
<p style="text-align:center"><img src="https://simg.open-open.com/show/68277c2c3e9b3c8cd32f08b56132ad6d.jpg"></p> <h2><strong>一、介绍</strong></h2> <p>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。</p> <p>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:</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/759b5db95056cca7d4c7d248d0442a28.png"></p> <h2><strong>二、爬虫的实现</strong></h2> <p>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。</p> <p>主要用到了知乎的两个API:</p> <pre> <code class="language-javascript">//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</code></pre> <pre> <code class="language-javascript">//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</code></pre> <p>爬虫的工作流程如下:</p> <p>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)</p> <p>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</p> <p>3. 遍历2中的结果,找出朋友之间的相互关注关系</p> <h2><strong>三、部分代码</strong></h2> <p>首先我们写一个 <em> <strong>getUser</strong> </em> 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。</p> <pre> <code class="language-javascript">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;</code></pre> <p>接下来需要一个 <strong> <em>fetchFollwerOrFollwee</em> </strong> 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):</p> <pre> <code class="language-javascript">getUser('someURL') .then(user => fetchFollwerOrFollwee({user: user, isFollowees: false}) .then(list => console.log(list))</code></pre> <p>具体代码参照这里,就不贴上来了</p> <p>接下来要做的就是组合 <strong> <em>getUser</em> </strong> 和 <strong> <em>fetchFollwerOrFollwee</em> </strong> ,变成一个 <strong> <em>getFriends</em> </strong> 方法,输入是用户页URL,输出是用户的好友列表,大概像这样:</p> <pre> <code class="language-javascript">function getFriends(someURL){ getUser(someURL) .then(user => fetchFollwerOrFollwee(...)) .then((followersList, follweesList) => findFriends(followersList, follweesList)) }</code></pre> <p>然后我们可以封装一个最后的 <strong> <em>searchSameFriend</em> </strong> 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</p> <pre> <code class="language-javascript">function searchSameFriend(user, myFriends){ return getFriends(user.url) .then(user => findSameFriends(userFriends, myFriends)) .then(sameFriends => console.log(sameFriends)) }</code></pre> <p>最后整个爬虫的promise流程大概是这样的:</p> <pre> <code class="language-javascript">function Spider(){ return getUser(URL) .then(user => getFriends(user)) .then(userFriends => Promise.map(userFriends, friend => searchSameFriend(friend,userFriends)) ) }</code></pre> <p>当然其中缺少了部分用websocket和前端数据交互的代码</p> <p> </p> <p>来自:http://zhuanlan.zhihu.com/p/20683518</p> <p> </p>