admin管理员组文章数量:1530518
2023年12月13日发(作者：)
QQ空间（日志、说说、个人信息）python爬虫源码（一天可抓取400万条数
据）
本文代码github地址：
回复 datadw 公众号关键词“QQ”获取。
爬虫功能：
QQSpider 使用广度优先策略爬取QQ空间中的个人信息、日志、说说、好友四个方面的信息。
判重使用“内存位”判重，理论上亿数量级的QQ可瞬间判重，内存只占用400M+。
爬虫速度可达到单机每天400万条数据以上（具体要考虑网速、网络带宽、稳定性等原因。我在学校是400万+，但在公
司那边却只有六成的速度，普通家庭网络可能会更慢）。
环境、架构：
开发语言：Python2.7
开发环境：64位Windows8系统，4G内存，i7-3612QM处理器。
数据库：MongoDB 3.2.0
（Python编辑器：Pycharm 5.0.4；MongoDB管理工具：MongoBooster 1.1.1）
主要使用 requests 模块抓取，部分使用 BeautifulSoup 解析。
多线程使用 。
抓取 Cookie 使用 selenium 和 PhantomJS 。
判重使用 BitVector 。
使用说明：
启动前配置：
1.
需要安装的软件：python、Redis、MongoDB（Redis和MongoDB都是NoSQL，服务启动后能连接上就行，不需要
建表什么的）。
2.
需要安装的Python模块：requests、BeautifulSoup、multiprocessing、selenium、itertools、redis、pymongo。
3.
启动程序：
1.
进入 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。为异常行为。
2.
进入 init_ 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。
3.
运行 启动爬虫。
4.爬虫开始之后首先根据 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：
1.
mongodb用来存放数据，redis用来存放待爬QQ和Cookie。
2.
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。
3.
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 ，再将 public_ 里的dama=False改成dama=True即可。
4.
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。5.
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。
6.
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。
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。
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。
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）。
结语：
•
爬虫是偏后台型的任务，以抓取效率为主，并没有很好的用户界面，并且需要不断地维护。所以对于完全没有编程
基础的人来说，可能会遇到各种各样的问题。此项目最初的目的是为大家提供QQ空间爬虫的一种架构，并不保证程
序一直能跑。只要腾讯服务器端稍有变动，例如某一个链接变了，可能程序就抓不到数据了，此时程序也要相应地
将链接换成新的，如果网页结构变了，解析规则也要相应地修改。
版权声明：本文标题：QQ空间(日志、说说、个人信息)python爬虫源码(一天可抓取400万条数据 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1702438698a7079.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论