知乎爬虫，主抓取知乎用户的基本资料。
第一次爬取时，刚开始爬取速度会比较慢，因为代理比较少。随着可用代理的增多，爬取速度会越来越快。
运行环境
*-cpu:Intel(R) Core(TM) i7-4770 CPU @ 3.40GHz
*-memory size: DIMM DDR3 Synchronous 1600 MHz (0.6 ns)--(8GB)
*-system:ubuntu 12.04
- git clone https://github.com/wycm/zhihu-crawler 克隆项目到本地
- eclipse导入步骤(eclipse_kepler版本，自带maven)，File->Import->Maven->Existing Maven Projects->选择刚刚clone的zhihu-crawler目录->导入成功
- idea导入步骤,File->Open->选择刚刚clone的zhihu-crawler目录->导入成功
- eclipse或myeclipse都可以
- git clone https://github.com/wycm/zhihu-crawler 克隆项目到本地
- 创建一个名字为zhihu-new-crawler（这个随便命名）的普通工程
- 拷贝刚刚clone的zhihu-crawler/src/main/java/com目录到zhihu-new-crawler/src目录下
- 右键工程->Build Path->Add External Archives...->导入zhihu-crawler/lib下的所有jar包
- 将zhihu-crawler/src/main/resources目录下的config.properties和log4j.properties拷贝至src目录下
- 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
- 注意：这个请求采用了oauth验证，需要在http header加上
authorization:oauth c3cef7c66a1843f8b3a9e6a1e3160e20,这个值是存放在js文件中，详细获取方式见代码。
Run with Main.java
- 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(mysql),相关配置见config.properties。
- 多线程、快速，0.5小时可爬取20w用户。
- 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。
- 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。
- 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。
- 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。
- 移除未使用的lib，修复多线程同步问题
- 优化爬取速度
- 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。
- qq:1057160387，邮箱
[email protected]，欢迎交流。 - 如果觉得还不错，麻烦给个star。