一、環(huán)境配置

1）搞一臺服務(wù)器，什么linux都行，我用的是CentOS 6.5；

2）裝個mysql數(shù)據(jù)庫，5.5或5.6均可，圖省事可以直接用lnmp或lamp來裝，回頭還能直接在瀏覽器看日志；

3）先安個node.js環(huán)境，我用的是0.12.7，更靠后的版本沒試過；

4）執(zhí)行npm -g install forever，安裝forever好讓爬蟲在后臺跑；

5）把所有代碼整到本地（整=git clone）；

6）在項目目錄下執(zhí)行npm install安裝依賴庫；

7）在項目目錄下創(chuàng)建json和avatar兩個空文件夾；

8）建立一個空mysql數(shù)據(jù)庫和一個有完整權(quán)限的用戶，先后執(zhí)行代碼里的setup.sql和startusers.sql，創(chuàng)建數(shù)據(jù)庫結(jié)構(gòu)并導(dǎo)入初始種子用戶；

9）編輯config.js，標(biāo)明（必須）的配置項必須填寫或修改，其余項可以暫時不改：

exports.jsonPath = "./json/";//生成json文件的路徑
exports.avatarPath = "./avatar/";//保存頭像文件的路徑
exports.dbconfig = {
  host: 'localhost',//數(shù)據(jù)庫服務(wù)器（必須）
  user: 'dbuser',//數(shù)據(jù)庫用戶名（必須）
  password: 'dbpassword',//數(shù)據(jù)庫密碼（必須）
  database: 'dbname',//數(shù)據(jù)庫名（必須）
  port: 3306,//數(shù)據(jù)庫服務(wù)器端口
  poolSize: 20,
  acquireTimeout: 30000
};
  
exports.urlpre = "http://m.fzitv.net/";//腳本網(wǎng)址
exports.urlzhuanlanpre = "http://m.fzitv.net/list/index_96.htm/";//腳本網(wǎng)址
  
exports.WPurl = "www.xxx.com";//要發(fā)布文章的wordpress網(wǎng)站地址
exports.WPusername = "publishuser";//發(fā)布文章的用戶名
exports.WPpassword = "publishpassword";//發(fā)布文章用戶的密碼
exports.WPurlavatarpre = "http://www.xxx.com/avatar/";//發(fā)布文章中替代原始頭像的url地址
  
exports.mailservice = "QQ";//郵件通知服務(wù)類型，也可以用Gmail，前提是你訪問得了Gmail（必須）
exports.mailuser = "12345@qq.com";//郵箱用戶名（必須）
exports.mailpass = "qqpassword";//郵箱密碼（必須）
exports.mailfrom = "12345@qq.com";//發(fā)送郵件地址（必須，一般與用戶名所屬郵箱一致）
exports.mailto = "12345@qq.com";//接收通知郵件地址（必須）

保存，然后進(jìn)入下一步。

二、爬蟲用戶

爬蟲的原理其實就是模擬一個真正的知乎用戶在網(wǎng)站上點來點去并收集數(shù)據(jù)，所以我們需要有一個真正的知乎用戶。 為了測試可以用你自己的賬號，但從長遠(yuǎn)著想，還是專門注冊個小號吧，一個就夠，目前的爬蟲也只支持一個。 我們的模擬過程不必像真的用戶那樣從首頁登錄，而是直接借用cookie值：

注冊激活登錄之后，進(jìn)入自己的主頁，使用任何有開發(fā)者模式或查看cookie插件的瀏覽器，打開知乎中自己的cookie。 可能有很復(fù)雜的一大串，但我們只需要其中一部分，即「z_c0」。 復(fù)制你自己cookie中的z_c0部分，連等號、引號、分號都不要落下，最后格式大致是這樣的：

z_c0="LA8kJIJFdDSOA883wkUGJIRE8jVNKSOQfB9430=|1420113988|a6ea18bc1b23ea469e3b5fb2e33c2828439cb";

在mysql數(shù)據(jù)庫的cookies表中插入一行記錄，其中各字段值分別為：

• email：爬蟲用戶的登錄郵箱
• password：爬蟲用戶的密碼
• name：爬蟲用戶名
• hash：爬蟲用戶的hash（每個用戶不可修改的唯一標(biāo)識，其實這里用不到，可以暫時留空）
• cookie：剛才你復(fù)制的cookie
  

然后就可以正式開始運行了。如果cookie失效或用戶被封，直接修改這行記錄的cookie字段即可。

三、運行

推薦用forever來執(zhí)行，這樣不僅方便后臺運行和記錄日志，還能在崩潰后自動重啟。 示例：

forever -l /var/www/log.txt index.js

其中-l后的地址就是記錄日志的地方，如果放在web服務(wù)器目錄下，就能在瀏覽器里通過http://www.xxx.com/log.txt 來直接查看日志了。在index.js后面加參數(shù)（用空格分隔）可以執(zhí)行不同的爬蟲指令：
1、-i 立即執(zhí)行，如果不加此參數(shù)則默認(rèn)在下一個指定時間執(zhí)行，如每天凌晨0:05分；
2、-ng 跳過抓取新用戶階段，即getnewuser；
3、-ns 跳過快照階段，即usersnapshot；
4、-nf 跳過生成數(shù)據(jù)文件階段，即saveviewfile；
5、-db 顯示調(diào)試日志。
各階段的功能在下一節(jié)介紹。為了方便運行，可以將這行命令寫成sh腳本，例如：

#!/bin/bash
cd /usr/zhihuspider
rm -f /var/www/log.txt
forever -l /var/www/log.txt start index.js $*

具體路徑請?zhí)鎿Q成自己的。這樣就能通過./zhihuspider.sh 加參數(shù)來開啟爬蟲了： 比如./zhihuspider.sh -i -ng -nf就是立即開始任務(wù)、跳過新用戶和保存文件階段。停止爬蟲的方法是forever stopall（或stop序號）。

四、原理概述

看知乎爬蟲的入口文件是index.js。它通過循環(huán)方式在每天指定時間執(zhí)行爬蟲任務(wù)。每天順序執(zhí)行的任務(wù)有三個，分別是：

1）getnewuser.js：通過當(dāng)前庫內(nèi)用戶關(guān)注者列表的對比，抓取新用戶信息，依靠此機(jī)制可以自動將知乎上值得關(guān)注的新人納入庫中；

2）usersnapshot.js：循環(huán)抓取當(dāng)前庫內(nèi)用戶資料和答案列表，并以每日快照形式保存下來。

3）saveviewfile.js：根據(jù)最近一次快照內(nèi)容，生成用戶分析列表，并篩選出昨日、近日和歷史精華答案發(fā)布到「看知乎」網(wǎng)站。

在以上三個任務(wù)執(zhí)行完畢后，主線程會每隔幾分鐘刷新一次知乎首頁，驗證當(dāng)前cookie是否仍然有效，如果失效（跳到未登錄頁），則會給指定郵箱發(fā)送通知郵件，提醒及時更換cookie。 更換cookie的方法和初始化時一致，只需手工登錄一次然后取出cookie值就行了。如果對具體代碼實現(xiàn)感興趣可以仔細(xì)看里面的注釋，調(diào)整一些配置，甚至嘗試自己重構(gòu)整個爬蟲。

Tips

1）getnewuser的原理是通過對比前后兩天快照中用戶的關(guān)注數(shù)量進(jìn)行指定抓取，所以必須有了至少兩次快照之后才能開始，之前就算執(zhí)行也會自動跳過。

2）快照抓到一半是可以恢復(fù)的。如果程序出錯崩潰，用forever stop停止它，然后加上參數(shù)-i -ng，立即執(zhí)行并跳過新用戶階段就能從剛才抓到一半的快照繼續(xù)下去了。

3）不要輕易增加快照抓取時的（偽）線程數(shù)，即usersnapshots中的maxthreadcount屬性。線程太多會導(dǎo)致429錯誤，同時抓取回來的大量數(shù)據(jù)可能會來不及寫入數(shù)據(jù)庫造成內(nèi)存溢出。所以，除非你的數(shù)據(jù)庫搭在SSD上，線程不要超過10個。

4）saveviewfile生成分析結(jié)果的工作需要至少近7天的快照才能進(jìn)行，如果快照內(nèi)容少于7天會報錯并跳過。此前的分析工作可以手動查詢數(shù)據(jù)庫進(jìn)行。

5）考慮到大多數(shù)人并不需要復(fù)制一個「看知乎」，已經(jīng)將自動發(fā)布wordpress文章函數(shù)入口注釋掉了。如果你搭建好了wordpress，記得開啟xmlrpc，然后設(shè)置一個專門用于發(fā)布文章的用戶，在config.js中配置相應(yīng)參數(shù)并將saveviewfile中的相關(guān)代碼解除注釋。

6）由于知乎對頭像做了防盜鏈處理，我們在抓取用戶信息時一并也將頭像獲取了下來，保存在本地，發(fā)布文章時使用的是本地頭像地址。需要在http服務(wù)器中將url路徑指向保存頭像的文件夾，或者將保存頭像的文件夾直接放到網(wǎng)站目錄下。

7）代碼可能不太容易讀懂。除了node.js的回調(diào)結(jié)構(gòu)本身就較混亂之外，還有一部分原因是最初寫程序時我剛剛開始接觸node.js，有很多不熟悉的地方導(dǎo)致結(jié)構(gòu)混亂沒有來得及改正；另一部分是在多次縫縫補補中累加了許多丑陋的判斷條件和重試規(guī)則，如果全部去掉，代碼量可能會下降三分之二。但這是沒有辦法的事，為了保障一個系統(tǒng)的穩(wěn)定運行，必須加入這些。

8）本爬蟲源碼基于WTFPL協(xié)議，不對修改和發(fā)布做任何限制。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助。

最新評論