如何爬取了知乎用户信息，并做了简单的分析

Posted 2021-01-13 yujingyua

爬虫：python27 +requests+json+bs4+time

• 分析工具： ELK套件
• 开发工具：pycharm

1.性别分布

• 0 绿色代表的是男性 ^ . ^
• 1 代表的是女性
• -1 性别不确定

可见知乎的用户男性颇多。

2.粉丝最多的top30

粉丝最多的前三十名：依次是张佳玮、李开复、黄继新等等，去知乎上查这些人，也差不多这个排名，说明爬取的数据具有一定的说服力。

3.写文章最多的top30

爬虫架构图如下：

说明：

• 选择一个活跃的用户（比如李开复）的url作为入口url.并将已爬取的url存在set中。
• 抓取内容，并解析该用户的关注的用户的列表url，添加这些url到另一个set中，雅思培训一般多少钱并用已爬取的url作为过滤。
• 解析该用户的个人信息，并存取到本地磁盘。
• logstash取实时的获取本地磁盘的用户数据，并给elsticsearch
• kibana和elasticsearch配合，将数据转换成用户友好的可视化图形。

五.编码

爬取一个url:

解析内容：

存本地文件：

代码说明：

• 需要修改获取requests请求头的authorization。
• 需要修改你的文件存储路径。

源码下载：点击这里，记得star哦！

• 打开chorme，打开https://www.zhihu.com/，
• 登陆，首页随便找个用户，进入他的个人主页，F12(或鼠标右键，点检查)
• 点击关注，刷新页面，见图：

• 可增加线程池，提高爬虫效率
• 存储url的时候我才用的set(),并且采用缓存策略，最多只存2000个url，防止内存不够，其实可以存在redis中。
• 存储爬取后的用户我说采取的是本地文件的方式，更好的方式应该是存在mongodb中。
• 对爬取的用户应该有一个信息的过滤，比如用户的粉丝数需要大与100或者参与话题数大于10等才存储。防止抓取了过多的僵尸用户。

关于elk的套件安装就不讨论了，具体见官网就行了。网站：https://www.elastic.co/

另外logstash的配置文件如下：

从爬取的用户数据可分析的地方很多，比如地域、学历、年龄等等，我就不一一列举了。另外，我觉得爬虫是一件非常有意思的事情，在这个内容消费升级的年代，如何在广阔的互联网的数据海洋中挖掘有价值的数据，是一件值得思考和需不断践行的事情。最后，本文仅用作交流学习。如果知乎告知我侵权，我会立刻删除本文。