进入 myQQ.txt 写入QQ账号和密码(不同QQ换行输入,账号密码空格隔开)。如果你只是测试一下,则放三两个QQ足矣;但如果你开多线程大规模抓取的话就要用多一点QQ号(thread_num_QQ的2~10倍),账号少容易被检测为异常行为。 进入 init_messages.py 进行爬虫参数的配置,例如线程数量的多少、设置爬哪个时间段的日志,哪个时间段的说说,爬多少个说说备份一次等等。 运行 launch.py 启动爬虫。 4.爬虫开始之后首先根据 myQQ.txt 里面的QQ去获取 Cookie(以后登录的时候直接用已有的Cookie,就不需要每次都去拿Cookie了,遇到Cookie失效也会自动作相应的处理)。获取完Cookie后爬虫程序会去申请四百多兆的内存,申请的时候会占用两G左右的内存,大约五秒能完成申请,之后会掉回四百多M。 5.爬虫程序可以中途停止,下次可打开继续抓取。 运行截图: 代码说明: mongodb用来存放数据,redis用来存放待爬QQ和Cookie。 爬虫之前使用的是BitVector去重,有一部分人反映经常会报错,所以现在使用基于Redis的位去重,内存占用不超过512M,能容纳45亿个QQ号瞬间去重,而且方便分布式扩展。 爬虫使用phantomJS模拟登陆QQ空间,有时候会出现验证码。我使用的是云打码(自行百度),准确率还是非常高的,QQ验证码是4位纯英文,5元可以识别1000个验证码。如果需要请自行去注册购买,将账号、密码、appkey填入 yundama.py,再将 public_methods.py 里的dama=False改成dama=True即可。 分布式。现在已经将种子队列和去重队列都放在了Redis上面,如果需要几台机器同时爬,只需要将代码复制一份到另外一台机子,将连Redis时的localhost改成同一台机器的IP即可。如果想要将爬下来的数据保存到同一台机,也只需要将连MongoDB时的localhost改成该机器的IP即可。 为了让程序不那么复杂难懂,此项目只用了多线程,即只用到了一个CPU。如果实际生产运行的话可以考虑将程序稍作修改,换成多进程+协程,或者异步。速度会快很多。 最后提醒一下,爬虫无非就是模仿人在浏览器上网的行为,你在浏览器上无法查看的信息爬虫一般也是无法抓取。所以,就不要再问我能不能破解别人相册的这种问题了,空间加了访问权限的也无法访问。程序输出的日志中2016-11-19 01:05:33.010000 failure:484237103 (None - )这种,一般就是无法访问的QQ。还有,我们是无法查看一个QQ的所有好友的,所以爬下来的好友信息也只是部分好友。爬虫不是黑客,希望理解。 说说数据: 日志数据: 好友关系数据: 个人信息数据: 数据库说明: QQSpider主要爬取QQ用户的说说、日志、朋友关系、个人信息。 数据库分别设置 Mood、Blog、Friend、Information 四张表。 Mood 表: _id:采用 “QQ_说说id” 的形式作为说说的唯一标识。 Co-oridinates:发说说时的定位坐标,调用地图API可直接查看具体方位,可识别到在哪一栋楼。 Comment:说说的评论数。 Like:说说的点赞数。 Mood_cont:说说内容。 PubTime:说说发表时间。 QQ:发此说说的QQ号。 Source:说说的根源(对于转发的说说),采用 “QQ_说说id” 的形式标识。 Tools:发说说的工具(手机类型或者平台)。 Transfer:说说的转发数。 URL:说说的链接地址。 isTransfered:此说说是否属于转发来的。 Mood 表: _id:采用 “QQ_说说id” 的形式作为说说的唯一标识。 Co-oridinates:发说说时的定位坐标,调用地图API可直接查看具体方位,可识别到在哪一栋楼。 Comment:说说的评论数。 Like:说说的点赞数。 Mood_cont:说说内容。 PubTime:说说发表时间。 QQ:发此说说的QQ号。 Source:说说的根源(对于转发的说说),采用 “QQ_说说id” 的形式标识。 Tools:发说说的工具(手机类型或者平台)。 Transfer:说说的转发数。 URL:说说的链接地址。 isTransfered:此说说是否属于转发来的。 Blog 表: _id:采用 “QQ_日志id” 的形式作为日志的唯一标识。 Blog_cont:日志内容。 Comment:日志的评论数。 Like:日志的点赞数。 PubTime:日志的发表时间。 QQ:发此日志的QQ号。 Share:日志的分享数。 Source:日志的根源(对于转发的日志),采用 “QQ_日志id” 的形式标识。 Title:日志的标题。 Transfer:日志的转发数。 URL:日志的链接地址。 isTransfered:此日志是否属于转发来的。 Blog 表: _id:采用 “QQ_日志id” 的形式作为日志的唯一标识。 Blog_cont:日志内容。 Comment:日志的评论数。 Like:日志的点赞数。 PubTime:日志的发表时间。 QQ:发此日志的QQ号。 Share:日志的分享数。 Source:日志的根源(对于转发的日志),采用 “QQ_日志id” 的形式标识。 Title:日志的标题。 Transfer:日志的转发数。 URL:日志的链接地址。 isTransfered:此日志是否属于转发来的。 Friend 表: _id:采用 QQ 作为唯一标识。 Num:此QQ的好友数(仅统计已抓取到的)。 Fx:朋友的QQ号,x代表第几位好友,x从1开始逐渐迭加。 Friend 表: _id:采用 QQ 作为唯一标识。 Num:此QQ的好友数(仅统计已抓取到的)。 Fx:朋友的QQ号,x代表第几位好友,x从1开始逐渐迭加。 Information 表: _id:采用 QQ 作为唯一标识。 Age:年龄。 Birthday:出生日期。 Blog:已发表的日志数。 Blogs_WeGet:我们已抓取的日志数。 Blood_type:血型。 Career:职业。 Company:公司。 Company_address:公司详细地址。 Company_city:公司所在城市。 Company_country:公司所在国家。 Company_province:公司所在省份。 Constellation:星座。 CurrentTime:抓取当前信息的时间(不同时间信息会不同)。 FriendsNum:好友数(仅统计已抓取的)。 Gender:性别。 Hometown_city:故乡所在城市。 Hometown_country:故乡所在国家。 Hometown_province:故乡所在省份。 Living_city:居住的城市。 Living_country:居住的国家。 Living_province:居住的省份。 Marriage:婚姻状况。 Message:空间留言数。 Mood:已发表的说说数。 Mood_WeGet:我们已抓取的说说数。 PageView:空间总访问量。 Picture:已发表的照片数(包括相册里的照片和说说里的照片)。 Information 表: _id:采用 QQ 作为唯一标识。 Age:年龄。 Birthday:出生日期。 Blog:已发表的日志数。 Blogs_WeGet:我们已抓取的日志数。 Blood_type:血型。 Career:职业。 Company:公司。 Company_address:公司详细地址。 Company_city:公司所在城市。 Company_country:公司所在国家。 Company_province:公司所在省份。 Constellation:星座。 CurrentTime:抓取当前信息的时间(不同时间信息会不同)。 FriendsNum:好友数(仅统计已抓取的)。 Gender:性别。 Hometown_city:故乡所在城市。 Hometown_country:故乡所在国家。 Hometown_province:故乡所在省份。 Living_city:居住的城市。 Living_country:居住的国家。 Living_province:居住的省份。 Marriage:婚姻状况。 Message:空间留言数。 Mood:已发表的说说数。 Mood_WeGet:我们已抓取的说说数。 PageView:空间总访问量。 Picture:已发表的照片数(包括相册里的照片和说说里的照片)。 |