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）。