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，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，就按照最后設置就好啦。

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”; 改成 “Accept-Encoding:deflate\r\n”; 去掉了 gzip，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));

這里我真想說，PHP真的是全世界最好的語言，就兩個函數，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

4、每個職業的男女比例

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