下面我們來看看Pythoner志朋的爬蟲實驗。

一、使用的技術棧：

爬蟲：python27 +requests+json+bs4+time

分析工具： ELK套件

開發工具：pycharm

二、數據成果

爬取了知乎部分的用戶數據信息。

三、簡單的可視化分析

1.性別分布

0 綠色代表的是男性 ^ . ^ ——1代表的是女性———— -1 性別不確定

可見知乎的用戶男性頗多。

2.粉絲最多的top30

粉絲最多的前三十名：依次是張佳瑋、李開復、黃繼新等等，去知乎上查這些人，也差不多這個排名，說明爬取的數據具有一定的說服力。

3.寫文章最多的top30

四、爬蟲架構

爬蟲架構圖如下：

說明：

選擇一個活躍的用戶（比如李開復）的url作為入口url.并將已爬取的url存在set中。

抓取內容，并解析該用戶的關注的用戶的列表url，添加這些url到另一個set中，并用已爬取的url作為過濾。

解析該用戶的個人信息，并存取到本地磁盤。

logstash取實時的獲取本地磁盤的用戶數據，并給elsticsearch

kibana和elasticsearch配合，將數據轉換成用戶友好的可視化圖形。

五.編碼

爬取一個url:

解析內容：

存本地文件：

代碼說明：

需要修改獲取requests請求頭的authorization。

需要修改你的文件存儲路徑。

源碼下載：https://github.com/forezp/ZhihuSpiderMan，記得star哦！

六.如何獲取authorization

打開chorme，打開https://www.zhihu.com/，

登陸，首頁隨便找個用戶，進入他的個人主頁，F12(或鼠標右鍵，點檢查)

點擊關注，刷新頁面，見圖：

七、可改進的地方

可增加線程池，提高爬蟲效率

存儲url的時候我才用的set(),并且采用緩存策略，最多只存2000個url，防止內存不夠，其實可以存在redis中。

存儲爬取后的用戶我說采取的是本地文件的方式，更好的方式應該是存在mongodb中。

對爬取的用戶應該有一個信息的過濾，比如用戶的粉絲數需要大與100或者參與話題數大于10等才存儲。防止抓取了過多的僵尸用戶。

八.關于ELK套件

關于elk的套件安裝就不討論了，具體見官網就行了。網站：https://www.elastic.co/

另外logstash的配置文件如下：

九、結語

從爬取的用戶數據可分析的地方很多，比如地域、學歷、年齡等等，我就不一一列舉了。

另外，我覺得爬蟲是一件非常有意思的事情，在這個內容消費升級的年代，如何在廣闊的互聯網的數據海洋中挖掘有價值的數據，是一件值得思考和需不斷踐行的事情。