Skip to content

Latest commit

 

History

History
92 lines (60 loc) · 4.85 KB

README.md

File metadata and controls

92 lines (60 loc) · 4.85 KB

Medium 使用者爬蟲

簡介

Medium 中文寫作者追蹤人數排名與不專業數據分析

誤打誤撞找到了一個 API，用 GET 就能夠取得資料，十分方便：https://medium.com/_/api/users/f1fb3e40dc37/profile/stream

如果想看 userId 是什麼，在 medium profile 頁面後面加 ?format=json 就可以了，例如說：https://medium.com/@hulitw?format=json

API 可以帶參數 ?source=followers&limit=25，就能夠抓到 follower 的資料。而 response 裡面也會有分頁資料，會給你一個 to，把它帶進去 querys string 就可以抓到下一頁的資料。

爬蟲架構

因為想偷懶所以只寫了一個效能很低的爬蟲，把 Queue 的部分改一改應該就能開很多 worker 來爬，效能可以增進很多。

架構是這樣的，用 MySQL 當儲存使用者資料的地方也當 Queue，開兩個 Table：Users 跟 Queue：

Users

id userId username name bio follower fr mediumMemberAt createdAt isWriterProgramEnrolled
自增ID 使用者 ID 前面加上 @ 就是 profile 網址 使用者名稱 自介 追蹤人數 分類 成為付費會員的時間 加入會員的時間

Queues

id userId
自增ID 使用者 ID

簡單來說呢，queue 裡面存著需要處理的 userId，app.js 的功用就是每次從 queue 裡面拿一個 id 出來，抓取使用者資料，如果是中文用戶的話就寫進資料庫，並且把所有 followers 的 id 都 push 到 queue 裡面（如果不在 queue 裡也不在 Users 裡的話），所以這個 queue 會長滿快的。

只要自己隨便新增一兩個 userId 進 queue 就可以開始跑了。

由於我只有一個 worker 在跑，所以 queue 增長的速度遠大於處理的速度，跑一個晚上可以跑到十萬筆資料左右。

所以我後來又寫了一個 getUsers.js，功用跟上面雷同，差異是在不抓 followers，只抓 queue 裡面 userId 的資料並寫進資料庫，可以透過 config.js 簡單設定一些參數來避免 rate limit。

我自己的用法是把 app.js 跑一個晚上，累積一堆資料，然後用 getUsers.js 把 queue 消化完，再重複做個一兩次應該就差不多了。

技術細節

比較麻煩的部分是「判斷是否是中文寫作者」這塊，用兩個網路上找到的 regexp 簡單做了一下。原本沒有考慮日本的漢字導致抓了一大堆日本人進來，後來才把邏輯寫完整，讓爬蟲順利很多。

一開始只有判斷 bio 跟 name，後來發現這樣很不精準，於是透過 profile 的 API 抓了發表過的文章（或也有可能是回覆過、拍手過之類的），判斷文章標題跟副標題是不是中文。

詳情可參考 medium.js 裡的 isMandarinUser。

這程式可以改進的地方還很多，例如說速度的部分就是，但我原本就想說慢慢跑就好，就沒有去改了。判定中文用戶的方式也可以加強。

使用

在 MySQL 裡面新增 Table：

CREATE TABLE `Users` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `userId` varchar(32) NOT NULL DEFAULT '',
  `username` varchar(64) DEFAULT NULL,
  `name` varchar(128) DEFAULT NULL,
  `bio` text,
  `follower` int(11) DEFAULT NULL,
  `fr` varchar(8) DEFAULT NULL,
  `mediumMemberAt` datetime DEFAULT NULL,
  `createdAt` datetime DEFAULT NULL,
  `isWriterProgramEnrolled` tinyint(1) DEFAULT NULL,
  PRIMARY KEY (`id`),
  UNIQUE KEY `userId` (`userId`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE `Queues` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `userId` varchar(32) DEFAULT NULL,
  PRIMARY KEY (`id`),
  UNIQUE KEY `userId` (`userId`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

把 config.example.js 改名成 config.js 並填入相關參數：

名稱 說明
db 資料庫相關參數
batchLimit 在用 getUsers.js 時一次要抓幾筆使用者資料
randomDelay 在用 getUsers.js 時每一次要隨機暫停多久毫秒，避免太頻繁發送 request
errorRateTolerance 在用 getUsers.js 時如果 response 的錯誤率低於這個值就忽略錯誤
delayWhenError 出錯時要暫停的毫秒數

接著 npm run start 就可以開始跑了。npm run getUsers 則可以跑只處理使用者資料的程式。