我用爬虫一天“偷了”一百万用户，只为证明PHP是最好的语言

看了不少朋友圈里推荐的 Python 爬虫文章，都觉得太小儿科，处理内容本来就是 PHP 的强项，Python 唯一的好处估计也就天生的 Linux 自带，和 Perl 一样，这点觉得挺不够意思的 Linux，还是 Mac 厚道，天生就自带了 Python、Perl、PHP、Ruby，当然我也很讨厌讨论一门语言的好坏，每门语言存在就一定有它的道理，反正 PHP 是全世界最好用的语言，大家都懂的^_^

前几天比较火的是一个人用 C# 写了一个多线程爬虫程序，抓取了 QQ 空间 3000 万 QQ 用户，其中有 300 万用户是有 QQ 号、昵称、空间名称等信息的，也就是说，有详情也就 300 万，跑了两周，这没什么，为了证明 PHP 是全世界最好的语言，虽然大家都懂的^_^，我用 PHP 写了一个多进程爬虫程序，只用了一天时间，就抓了知乎 100 万用户，目前跑到第 8 圈(depth=8) 互相有关联(关注了和关注者)的用户。

爬虫程序设计：

因为知乎需要登录才能获取到关注者页面，所以从 chrome 登录之后把 cookie 拷贝下来给 curl 程序模拟登录。

使用两大独立循环进程组(用户索引进程组、用户详情进程组)，用的是 php 的 pcntl 扩展，封装了一个非常好用的类，使用起来和 golang 的携程也差不多了。

下面是用户详情的截图，用户索引代码类似

这里插个题外话，经过测试，我的 8 核的 Macbook，跑 16 进程的速度最快，而 16 核的 Linux 服务器，居然是跑 8 进程最快，这点有点让我莫名其妙了，不过既然测试出最后进程数，就按照最后设置就好啦。

1、用户索引进程组先以一个用户为起点，抓取这个用户的关注了和关注者，然后合并入库，因为是多进程，所以当有两个进程在处理同一个用户入库的 时候就会出现重复的用户，所以数据库用户名字段一定要建立唯一索引，当然也可以用 redis 这些第三方缓存来保证原子性，这个就见仁见智了。

通过步骤一之后，我们就得到下面的用户列表：

2、用户详情进程组按照时间正序，拿到最先入库的用户抓取详情，并且把更新时间更新为当前时间，这样就可以变成一个死循环，程序可以无休止的跑，不断的循环更新用户信息。

程序稳定运行到第二天，突然没有新数据了，检查了一下发现知乎改规则了，不知是为了防我，还是碰巧，反正给我返回的数据是这样的

第一感觉就是胡乱给我输出数据让我采集不到，换了 IP、模拟伪装了些数据，都没用，突然感觉这个很熟悉，会不会是 gzip？抱着怀疑的态度，试了试 gzip，首先当然是告诉知乎不要给我 gzip 压缩过的数据

把 "Accept-Encoding: gzip,deflate\r\n"; 改成 "Accept-Encoding:deflate\r\n"; 去掉了 gzip，然并卵！

看来知乎是强制要给我 gzip 压缩数据了，既然如此，那我就解压呗，查了一下 php 解压 gzip，发现就一个函数 gzinflate，于是把获取到得内容加上：

$content = substr ($content, 10);

$content = gzinflate ($content));

这里我真想说，PHP 真的是全世界最好的语言，就两个函数，就彻底解决了问题，程序又欢快的跑起来了。

在匹配内容的时候，知乎的细心也是给了我无数的帮助，例如我要分清用户性别：

哈哈开玩笑的拉，其实是样式里面有 icon-profile-female 和 icon-profile-male ^_^

我蛋疼的抓了它那么多用户，到底有什么用呢？

其实没什么用，我就是闲的蛋疼 ^_^

有了这些信息，其实就可以做一些别人开头闭口就乱吹一通的大数据分析拉。

最常见的当然是：

1、性别分布

2、地域分布

3、职业分布

4、每个职业的男女比例

当然，按照关注人数、浏览人数、提问数、回答数等排序，看看人民都在关注什么，民生、社会、地理、政治，整个互联网都尽收眼底拉。。

也许，你还可以把头像拿来分析，用开源的验黄程序，把色情的筛选出来，然后去拯救东莞？

然后，你还可以看看那些大学出来的人，最后都干了什么。

有了这些数据，是不是可以打开脑洞！

下面是利用这些数据做出来的一些有趣的图表，实时图表数据可以去 http://www.epooll.com/zhihu/ 上看