今天跑程序的时候,发现知乎把api数据修改了。。。花了点时间修改一下正则表达式,解决。希望短期之内知乎别再改动页面以及api。
目前还需要时间测试将爬虫的进度控制在一个什么样的速度,才不会出现验证码。不把这个解决,总觉得心烦意乱。我按照现在的速度,一天时间只能抓取7.2W用户个人信息,十天才有72W,一个月就是210W。有的知乎大V的粉丝就70W左右了。所以没办法获取到知乎大部分人的数据。而且还没算上重复率。
我之前论文中想表达的数据是随机用户或关注某用户的用户的个人信息分布,今天一直在愁数据问题,写博客的时候突然想到,可以采取随机取样的方法,比如某知乎大V有100W粉丝,那么我随机取10W用户,分析他们的数据。这样一天多的时间就可以获得数据了。
下一步,获取知乎用户的回答。这方面还没开始做,页面形式要调查,数据库存储问题。先放在这吧。
晚上参加巨人网络的笔试,投了这么多家,第一次收到笔试通知。