代碼請(qǐng)移步GitHub：QQSpider

爬蟲功能：

QQSpider 使用廣度優(yōu)先策略爬取QQ空間中的個(gè)人信息、日志、說說、好友四個(gè)方面的信息，詳細(xì)可見數(shù)據(jù)庫說明。
判重使用“內(nèi)存位”判重，理論上億數(shù)量級(jí)的QQ可瞬間判重，內(nèi)存只占用400M+。
爬蟲速度可達(dá)到單機(jī)每天400萬條數(shù)據(jù)以上（具體要考慮網(wǎng)速、網(wǎng)絡(luò)帶寬、穩(wěn)定性等原因。我在學(xué)校是400萬+，但在公司那邊卻只有六成的速度，普通家庭網(wǎng)絡(luò)可能會(huì)更慢）。

環(huán)境、架構(gòu)：

開發(fā)語言：Python2.7
開發(fā)環(huán)境：64位Windows8系統(tǒng)，4G內(nèi)存，i7-3612QM處理器。
數(shù)據(jù)庫：MongoDB 3.2.0
（Python編輯器：Pycharm 5.0.4；MongoDB管理工具：MongoBooster 1.1.1）

主要使用 requests 模塊抓取，部分使用 BeautifulSoup 解析。
多線程使用 multiprocessing.dummy 。
抓取 Cookie 使用 selenium 和 PhantomJS 。
判重使用 BitVector 。

使用說明：

啟動(dòng)前配置：
MongoDB安裝好 能啟動(dòng)即可，不需要配置。
Python需要安裝以下模塊（注意官方提供的模塊是針對(duì)win32系統(tǒng)的，64位系統(tǒng)用戶在使用某些模塊的時(shí)候可能會(huì)出現(xiàn)問題，所以盡量先找64位模塊，如果沒有64的話再去安裝32的資源）：
requests、BeautifulSoup、multiprocessing、selenium、itertools、BitVector、pymongo

另外我們需要使用到 PhantomJS，這并不是 Python 的模塊，而是一個(gè)exe可執(zhí)行文件，我們可以利用它模擬瀏覽器去獲取 Cookie 。使用方法：將 phantomjs-2.0.0-windows.zip 壓縮包里面的 phantomjs.exe 放到你的 Python 目錄下就行了。

---

啟動(dòng)程序：

進(jìn)入 myQQ.txt 寫入QQ賬號(hào)和密碼（用一個(gè)空格隔開，不同QQ換行輸入），一般你開啟幾個(gè)QQ爬蟲線程，就至少需要兩倍數(shù)量的QQ用來登錄，至少要輪著登錄嘛。

進(jìn)入 init_messages.py 進(jìn)行爬蟲參數(shù)的配置，例如線程數(shù)量的多少、設(shè)置爬哪個(gè)時(shí)間段的日志，哪個(gè)時(shí)間段的說說，爬多少個(gè)說說備份一次等等。

運(yùn)行 init.py 文件開啟爬蟲項(xiàng)目。

爬蟲開始之后首先根據(jù) myQQ.txt 里面的QQ去獲取 Cookie（以后登錄的時(shí)候直接用已有的Cookie，就不需要每次都去拿Cookie了，遇到Cookie失效也會(huì)自動(dòng)作相應(yīng)的處理）。獲取完Cookie后爬蟲程序會(huì)去申請(qǐng)四百多兆的內(nèi)存，申請(qǐng)的時(shí)候會(huì)占用兩G左右的內(nèi)存，大約五秒能完成申請(qǐng)，之后會(huì)掉回四百多M。

爬蟲程序可以中途停止，下次可打開繼續(xù)抓取。

運(yùn)行截圖：

說說數(shù)據(jù)：

日志數(shù)據(jù)：

好友關(guān)系數(shù)據(jù)：

個(gè)人信息數(shù)據(jù)：

數(shù)據(jù)庫說明：

QQSpider主要爬取QQ用戶的說說、日志、朋友關(guān)系、個(gè)人信息。
數(shù)據(jù)庫分別設(shè)置 Mood、Blog、Friend、Information 四張表。

Mood 表：
_id：采用 “QQ_說說id” 的形式作為說說的唯一標(biāo)識(shí)。
Co-oridinates：發(fā)說說時(shí)的定位坐標(biāo)，調(diào)用地圖API可直接查看具體方位，可識(shí)別到在哪一棟樓。
Comment：說說的評(píng)論數(shù)。
Like：說說的點(diǎn)贊數(shù)。
Mood_cont：說說內(nèi)容。
PubTime：說說發(fā)表時(shí)間。
QQ：發(fā)此說說的QQ號(hào)。
Source：說說的根源（對(duì)于轉(zhuǎn)發(fā)的說說），采用 “QQ_說說id” 的形式標(biāo)識(shí)。
Tools：發(fā)說說的工具（手機(jī)類型或者平臺(tái)）。
Transfer：說說的轉(zhuǎn)發(fā)數(shù)。
URL：說說的鏈接地址。
isTransfered：此說說是否屬于轉(zhuǎn)發(fā)來的。

Blog 表：
_id：采用 “QQ_日志id” 的形式作為日志的唯一標(biāo)識(shí)。
Blog_cont：日志內(nèi)容。
Comment：日志的評(píng)論數(shù)。
Like：日志的點(diǎn)贊數(shù)。
PubTime：日志的發(fā)表時(shí)間。
QQ：發(fā)此日志的QQ號(hào)。
Share：日志的分享數(shù)。
Source：日志的根源（對(duì)于轉(zhuǎn)發(fā)的日志），采用 “QQ_日志id” 的形式標(biāo)識(shí)。
Title：日志的標(biāo)題。
Transfer：日志的轉(zhuǎn)發(fā)數(shù)。
URL：日志的鏈接地址。
isTransfered：此日志是否屬于轉(zhuǎn)發(fā)來的。

Friend 表：
_id：采用 QQ 作為唯一標(biāo)識(shí)。
Num：此QQ的好友數(shù)（僅統(tǒng)計(jì)已抓取到的）。
Fx：朋友的QQ號(hào)，x代表第幾位好友，x從1開始逐漸迭加。

Information 表：
_id：采用 QQ 作為唯一標(biāo)識(shí)。
Age：年齡。
Birthday：出生日期。
Blog：已發(fā)表的日志數(shù)。
Blogs_WeGet：我們已抓取的日志數(shù)。
Blood_type：血型。
Career：職業(yè)。
Company：公司。
Company_address：公司詳細(xì)地址。
Company_city：公司所在城市。
Company_country：公司所在國(guó)家。
Company_province：公司所在省份。
Constellation：星座。
CurrentTime：抓取當(dāng)前信息的時(shí)間（不同時(shí)間信息會(huì)不同）。
FriendsNum：好友數(shù)（僅統(tǒng)計(jì)已抓取的）。
Gender：性別。
Hometown_city：故鄉(xiāng)所在城市。
Hometown_country：故鄉(xiāng)所在國(guó)家。
Hometown_province：故鄉(xiāng)所在省份。
Living_city：居住的城市。
Living_country：居住的國(guó)家。
Living_province：居住的省份。
Marriage：婚姻狀況。
Message：空間留言數(shù)。
Mood：已發(fā)表的說說數(shù)。
Mood_WeGet：我們已抓取的說說數(shù)。
PageView：空間總訪問量。
Picture：已發(fā)表的照片數(shù)（包括相冊(cè)里的照片和說說里的照片）。

結(jié)語：

自己一個(gè)人瞎搞了一個(gè)多星期，肯定還有很多地方不規(guī)范，不夠優(yōu)化。不足之處請(qǐng)多指出！

更新版本：《QQ空間爬蟲分享（2016年11月18日更新）》。

轉(zhuǎn)載請(qǐng)注明出處，謝謝！（原文鏈接：http://blog.csdn.net/bone_ace/article/details/50771839）

總結(jié)

以上是生活随笔為你收集整理的QQ空间爬虫分享（一天可抓取 400 万条数据）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。