知乎爬虫
zhihu-crawler是一个基于Java的高性能、支持免费http代理池、支持横向扩展、分布式抓取爬虫项目，主要功能是抓取知乎用户、话题、问题、答案、文章等数据，如果觉得不错，请给个star。
爬取结果
- 下图为爬取117w知乎用户数据的简单统计
- 详细统计见 https://www.vwycm.cn/zhihu/charts
需要
- jdk 1.8
- redis
- mongodb
快速开始
- 修改
zhihu/src/main/resources/application.yamlredis、mongodb相关配置，application.yaml - 初始化
zhihu/src/main/resources/mongo-init.sqlmongodb脚步，mongo-init.sql - 设置日志路径，默认在
/var/www/logslogback-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（注：使用的都是网上公开的免费代理，近期测试来看，部分免费代理网站都做了反爬，可用的免费代理比以前少了很多，抓取速度相比以前慢了很多）。
- 支持持久化(mongodb)。
- 多线程、高性能、支持横向扩展分布式爬取。
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。
免责申明
- 本项目仅供个人学习与交流使用，严禁用于商业以及不良用途。
最后
- 有问题的请提issue。
- 欢迎贡献代码。
- 爬虫交流群：633925314，欢迎交流。
- 需要数据的，关注公众号即可(117w知乎用户基本信息资料，该数据仅供个人学习与交流使用，严禁用于商业以及不良用途)：lwndso
