【Python爬虫】爬了七天七夜，终于爬出了博客园粉丝数排行榜！

文章发出不到30分钟就被首页下架了，默哀……

起因

为了督促自己更加积极地写博客，我希望有一个排名系统能让我看到自己的进步。但是博客园对用户的排名体系相对是比较少的，主要是推荐博客排行和积分排行；但它们人数少难度大，短期内难以进入排名。因此我决定自力更生，爬取一份博客园粉丝数排行榜。

重要声明

为避免误(封)会(号)，先做如下声明：

1、本排行榜非官方发布，是我通过爬虫得到的。

2、爬虫过程一直坚持网站友好原则：

（1）只查询网站公开内容（当然，非公开的我也不会）

（2）为避免对服务器造成压力，一直使用单线程发送请求，且每两个请求之间都设置了一定时间间隔

爬虫思路

首先介绍一下爬虫的思路，不感兴趣的朋友可以直接拉到文章最后看结果，或者点击这里查看：博客园粉丝数排行榜(粉丝数不少于100)

思路基本分两步：1、初始化种子用户；2、迭代。

1、初始化种子用户

这一步的目标，是找到尽可能多的种子用户，种子用户最好发过文章，尤其是高质量文章，这样他们有较大概率有较多的粉丝。

下面是我选取的种子用户来源，在博客园的对应位置在下图标出：

• 1、首页文章作者（200页）：
• 2、精华文章作者（80+页）
• 3、编辑推荐文章作者（160+页）
• 4、推荐博客排行(100+人)
• 5、积分排行榜(3000人)

 

得到种子用户的用户名后，便可以在其个人页面获取昵称、粉丝数、园龄、文章首页等基本信息。例如，榜首（昵称：孤傲苍狼）的用户名是xdp-gacl，则他的个人页面是：https://home.cnblogs.com/u/xdp-gacl/

2、迭代

迭代的目的是从种子用户出发，找到其他粉丝数较多的用户；方法是获取种子用户“关注的人”——因为被关注的人有较大概率有更多的粉丝。用户关注的人在这里(还是以榜首孤傲苍狼为例)：https://home.cnblogs.com/u/xdp-gacl/followees/

因此一轮迭代的步骤是这样的：

（1）遍历当前用户列表，得到他们关注的用户；

（2）将这些关注的用户加入到当前用户列表。

如此循环往复，进行多轮迭代；直到不再有新的用户为止。

3、不足

有义务说明一下本排行榜的不足之处：

（1）爬取时间主要在5.10-5.19，排行榜不会反映在此期间及之后发生的变化(如用户粉丝数上涨)。

（2）通过这种方式，肯定无法爬取所有用户信息，但是粉丝数较多的用户被爬到的概率要大得多；因此为了尽可能保证准确性，排行榜只列出了粉丝数不少于100的用户。

（3）排行究竟漏掉了多少用户，仍是一个未知数，如果你认为有什么方法上的漏洞，或者有漏掉的用户，欢迎讨论。

技术

本次爬虫使用的技术比较常规：语言使用Python3，发送请求使用requests库，HTML解析使用BeautifulSoup，数据存储使用Redis；此外，爬虫过程中还会遇到动态加载页面、使用cookie进行身份校验等，都比较常见，不再赘述。

数据存储之所以选择Redis，主要是考虑到数据在内存中，访问快，且Redis提供了丰富的数据类型(如有序集合)，使用起来比较方便；为了保证数据不丢失，一定要保证Redis开启了持久化，最好开启AOF持久化。

结果

排行榜(粉丝数不小于100)可以点击链接查看：博客园粉丝数排行榜

前25名截图如下：

其中：

1、榜首是孤傲苍狼，有1.8w+粉丝，遥遥领先；在我爬虫这几天，涨了几十名粉丝，实在厉害。

2、粉丝数10000以上的，共有5位；粉丝数1000以上的，有286位；粉丝数100以上的，有3068位。

3、官方账号博客园团队有4644位粉丝，排第26位。

4、如果你的目标是进入前100名，至少需要2200+位粉丝；如果你的目标是进入前1000名，至少需要300+位粉丝。