看了不少朋友圈里推薦的Python爬蟲文章，都覺得太小兒科，處理內容本來就是PHP的強項，Python唯一的好處估計也就天生的Linux自帶， 和Perl一樣，這點覺得挺不夠意思的Linux，還是Mac厚道，天生就自帶了Python、Perl、PHP、Ruby，當然我也很討厭討論一門語言 的好壞，每門語言存在就一定有它的道理，反正PHP是全世界最好用的語言，大家都懂的^_^

    前幾天比較火的是一個人用C#寫了一個多線程爬蟲程序，抓取了QQ空間3000萬QQ用戶，其中有300萬用戶是有QQ號、昵稱、空間名稱等信息的，也就 是說，有詳情也就300萬，跑了兩周，這沒什么，為了證明PHP是全世界最好的語言，雖然大家都懂的^_^，我用PHP寫了一個多進程爬蟲程序，只用了一 天時間，就抓了知乎100萬用戶，目前跑到第8圈(depth=8)互相有關聯(關注了和關注者)的用戶。

爬蟲程序設計：

因為知乎需要登錄才能獲取到關注者頁面，所以從chrome登錄之后把cookie拷貝下來給curl程序模擬登錄。

使用兩大獨立循環進程組(用戶索引進程組、用戶詳情進程組)，用的是php的pcntl擴展，封裝了一個非常好用的類，使用起來和golang的攜程也差不多了。

下面是用戶詳情的截圖，用戶索引代碼類似

這里插個題外話，經過測試，我的8核的Macbook，跑16進程的速度最快，而16核的Linux服務器，居然是跑8進程最快，這點有點讓我莫名其妙了，不過既然測試出最后進程數，就按照最好的設置就好啦。

1、用戶索引進程組先以一個用戶為起點，抓取這個用戶的關注了和關注者，然后合并入庫，因為是多進程，所以當有兩個進程在處理同一個用戶入庫的時候就會出 現重復的用戶，所以數據庫用戶名字段一定要建立唯一索引，當然也可以用redis這些第三方緩存來保證原子性，這個就見仁見智了。

通過步驟一之后，我們就得到下面的用戶列表：

2、用戶詳情進程組按照時間正序，拿到最先入庫的用戶抓取詳情，并且把更新時間更新為當前時間，這樣就可以變成一個死循環，程序可以無休止的跑，不斷的循環更新用戶信息。

程序穩定運行到第二天，突然沒有新數據了，檢查了一下發現知乎改規則了，不知是為了防我，還是碰巧，反正給我返回的數據是這樣的

第一感覺就是胡亂給我輸出數據讓我采集不到，換了IP、模擬偽裝了些數據，都沒用，突然感覺這個很熟悉，會不會是gzip？抱著懷疑的態度，試了試gzip，首先當然是告訴知乎不要給我gzip壓縮過的數據

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

看來知乎是強制要給我gzip壓縮數據了，既然如此，那我就解壓唄，查了一下php解壓gzip，發現就一個函數gzinflate，于是把獲取到得內容加上：

$content = substr($content, 10);

$content = gzinflate($content));

當然還可以用curl自帶的：

curl_setopt( self::$ch, CURLOPT_ENCODING, 'gzip' );

這里我真想說，PHP真的是全世界最好的語言，就一兩個函數，就徹底解決了問題，程序又歡快的跑起來了。

在匹配內容的時候，知乎的細心也是給了我無數的幫助，例如我要分清用戶性別：

哈哈開玩笑的拉，其實是樣式里面有 icon-profile-female 和 icon-profile-male ^_^

我蛋疼的抓了它那么多用戶，到底有什么用呢？

其實沒什么用，我就是閑的蛋疼 ^_^

有了這些信息，其實就可以做一些別人開頭閉口就亂吹一通的大數據分析拉

最常見的當然是：

1、性別分布

2、地域分布

3、職業分布，來自那個公司

4、每個職業的男女比例

5、大家一般在什么時候上知乎？發問題、關注問題，那些問題值得關注

當然，按照關注人數、瀏覽人數、提問數、回答數等排序，看看人民都在關注什么，民生、社會、地理、政治，整個互聯網都盡收眼底拉。。

也許，你還可以把頭像拿來分析，用開源的驗黃程序，把色情的篩選出來，然后去拯救東莞？ ^_^

然后，你還可以看看那些大學出來的人，最后都干了什么。

有了這些數據，是不是可以打開腦洞 ^_^

下面是利用這些數據做出來的一些有趣的圖表，實時圖表數據可以去 http://www.epooll.com/zhihu/ 上看