认识达内从这里开始

以前看了很多盆友圈里分享的Python爬虫文章，感觉实在小儿科，内容处理本就是PHP的强项。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，但是PHP是全世界最好用的语言，在座的各位都认可吧?

当时比较火的是一个用C#写的多线程爬虫程序，抓取了QQ空间300万用户，其中有30万用户是有QQ号码、名称、年龄、性别等信息的。跑了两周，这能有什么。

PS:小编本来其实想用这个当封面的，结果我的上司看来后坚决不让我放

嘤嘤嘤，只好改成小编最爱的迪丽热巴了。

为了证明PHP是世界上最好的语言，我用PHP花了整整一天——24小时——1440分钟——86400秒，也写了一个多进程爬虫程序，小小的抓取了知乎1000万用户。

程序的设计

首先知乎是需要登录才能获取到关注者的页面的，所以我们从chrome登录之后把cookie拷贝下来给curl程序模拟登录上去。

先以单个用户为起始点，抓取这个用户的关注者和被关注者，然后合并入库。

因为是多进程，所以当有2个进程在处理同一个用户入库的时候就会出现重复，所以数据库用户名字段一定要建立唯一索引(当然这个是见仁见智了)

通过步骤一之后，我们就得到下面的用户列表：

用户详情进程组 依照时间拿到最先入库的用户详情，并且更新时间为当前时间，这样就会形成一个死循环，程序也会不停的跑，不间断的循环更新用户信息。

程序稳定运行到第二天，突然没有新的数据了，于是检查了一番发现知乎改规则了，看来我的动作被发现了，给我返回的数据是这样的

给我感觉就是瞎乱的给我输出数据让我采集不到;换IP、模拟伪装数据，都没用，猛地有股熟悉的感觉，gzip?我赶紧试了试gzip。

把 “Accept-Encoding: gzip,deflate ”;去掉了 gzip，然并卵，简直萌萌哒!

看来得使大招了——解压，函数gzinflate 不知道大家了不了解，把获取到得内容加上：

$content=substr($content, 10);

$content=gzinflate($content));

哎，PHP果然是全世界最好的语言啊，随便两个函数，就解决了问题，程序又欢快的跑起来了，真是心情愉悦啊~

有一点值得说一下，知乎的细心真的很独到，也给了我无数的帮助：

只是——

我抓了它那么多用户，是要干嘛来着?

我真是闲的蛋疼啊^_^

算了有了这些信息，我也可以做一些别人开头闭口就乱吹一通的大数据分析拉~(不过好像还是闲的蛋疼)

最常见的当然是：

1、人群性别分布

2、人群地域分布

3、人群职业分布

4、用户年龄分布

5、用户浏览器分布

按关注人数、浏览人数、提问数、回答数等排序，看看人民大众都在关注什么，民生、社会、地理、政治有种众生尽收眼底的感觉呀，还不错嘛。

哎呀，我还可以这样啊

把头像个拿来分析，用开源的验黄程序，把色情的筛选出来，说不定可以拯救东莞水深火热的人呐?

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 ^_^

    以上就是烟台达内给大家做的内容详解，更多关于IT知识的学习，请继续关注烟台达内