开源软件名称:zhihu-crawler
开源软件地址:https://gitee.com/wycm/zhihu-crawler
开源软件介绍:
知乎爬虫zhihu-crawler是一个基于Java的爬虫实战项目,主要功能是抓取知乎用户的基本资料,如果觉得不错,请给个star。 爬取结果需要- jdk 1.8
- redis
- mongodb
快速开始- 修改
zhihu/src/main/resources/application.yaml redis、mongodb相关配置,application.yaml - 初始化
zhihu/src/main/resources/mongo-init.sql mongodb脚步,mongo-init.sql - 设置日志路径,默认在
/var/www/logs logback-spring.xml - Run with ZhihuCrawlerApplication.java
使用到的接口- 地址(url):
https://www.zhihu.com/api/v4/members/${userid}/followees - 请求类型:GET
- 请求参数
参数名 | 类型 | 必填 | 值 | 说明 |
---|
include | String | 是 | data[*]answer_count,articles_count | 需要返回的字段(这个值可以改根据需要增加一些字段,见如下示例url) | offset | int | 是 | 0 | 偏移量(通过调整这个值可以获取到一个用户的所有关注用户 资料) | limit | int | 是 | 20 | 返回用户数(最大20,超过20无效) |
- url示例:
https://www.zhihu.com/api/v4/members/wo-yan-chen-mo/followees?include=data[*].educations,employments,answer_count,business,locations,articles_count,follower_count,gender,following_count,question_count,voteup_count,thanked_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=0&limit=20 - 响应:json数据,会有关注用户资料
特性- 大量使用http代理,突破同一个客户端访问量限制。
- 支持持久化(mongodb)。
- 多线程、爬取速度快、支持分布式爬取。
TODO- 新增问题、答案、文章抓取
- 支持实时抓取,每小时更新知乎全站所有热门内容
更新2019.02.21- 基于Spring Boot重构项目,支持横向扩展,分布式抓取
- 数据持久化采用mongodb
- 采用基于Netty的AsyncHttpClient代替HttpClient4.5
2018.07.09- 知乎网站更新,不再需要authorization验证
- 完善单测
- 修复已知bug
2017.11.05- 知乎authorization文件更新,修改authorization获取方式。
2017.05.26- 修复代理返回错误数据,导致java.lang.reflect.UndeclaredThrowableException异常。
2017.03.30- 知乎api变更,关注列表页不能获取到关注人数,导致线程池任务不能持续下去。抓取模式切换成原来ListPageThreadPool和DetailPageThreadPool的方式。
2017.01.17- 增加代理序列化。
- 调整项目结构,大幅度提高爬取速度。不再使用ListPageThreadPool和DetailPageThreadPool的方式。直接下载关注列表页,可以直接获取到用户详细资料。
2017.01.10- 不再采用登录抓取,并移除登录抓取相关模块,模拟登录的主要逻辑代码见ModelLogin.java。
- 优化项目结构,加快爬取速度。采用ListPageThreadPool和DetailPageThreadPool两个线程池。ListPageThreadPool负责下载”关注用户“列表页,解析出关注用户,将关注用户的url去重,然后放到DetailPageThreadPool线程池。DetailPageThreadPool负责下载用户详情页面,解析出用户基本信息并入库,获取该用户的"关注用户"的列表页url并放到ListPageThreadPool。
2016.12.26- 移除未使用的包,修复ConcurrentModificationException和NoSuchElementException异常问题。
- 增加游客(免登录)模式抓取。
- 增加代理抓取模块。
最后- 想要爬取其它数据,如问题、答案等,完全可以在此基础上自己定制。
- 有问题的请提issue。
- 欢迎贡献代码。
- 爬虫交流群:633925314,欢迎交流。
- 需要数据(117w知乎用户基本信息资料)的,关注公众号即可:lwndso
|
请发表评论