[爬虫]抓取知乎百万用户信息之总结篇

             点击我前往Github查看源代码   别忘记star

本项目github地址：https://github.com/wangqifan/ZhiHu     

第一个大错误是没能及时释放非托管资源，导致程序运行长的之后抛出OutOfMemoryException.

这个小Demo主要的非托管资源一个是http请求的httpWebresopne和流，另外一个是RedisCline。导致这个问题出现不是我不知道要释放非托管资源，而是代码疏忽。这个写代码习惯应该是很久了，因为以前程序并没有运行很久在，这个问题并没有暴露出来

刚开始时候是这样写的

using (StreamReader reader = new StreamReader(stream, Encoding.UTF8))
                                {

                                    return reader.ReadToEnd();
                                }

之间在using语句里面执行,这样还没有释放对象就返回了

改进：

string Source = string.Empty;
…
using (Stream stream = response.GetResponseStream())//原始
                            {
                                using (StreamReader reader = new StreamReader(stream, Encoding.UTF8))
                                {

                                    Source = reader.ReadToEnd();
                                }
                            }
…
   return Source;

对待非托管资源，两个推荐方法

第二大错误，将异步等同与多线程

异步不等于多线程

对于I/O密集型应该使用异步，对于CPU密集型用多线程。爬虫中获取网络资源是I/O密集型，而html解析是cpu密集型的。由于爬虫中非要获取资源才能解析，我并没有采用异步

1. using语句，执行超出using就会被释放
2. 巧用finallly语句 try{}catch{}不要忘了还有finally 在finally里面显示调用dispose方法

其实他们编译结果是一样的

我踩的第一大坑httpwebrequest默认连个连接，不管开多少线程还是那个速度

需要在app.config里面添加

<system.net>
        <connectionManagement>
            <add address="*" maxconnection="100000"></add>
        </connectionManagement>
    </system.net>

缺陷：

sqlserver中很多表是1对多关系，由于数据不够规范导致一对多变成一对一很多数据冗余

 

数据展示

采用echart,关于echart请看我的博客http://www.cnblogs.com/zuin/p/6122818.html

男女比例

被关注量分布

 

校友数最多的10个学校

员工最多的10个公司

主修专业人数前10

或赞数最多的top10