零基础写Java知乎爬虫之获取知乎编辑推荐内容

Z时代
2024-01-10
分类：IT

知乎是一个真实的网络问答社区，社区氛围友好、理性、认真，连接各行各业的精英。他们分享着彼此的专业知识、经验和见解，为中文互联网源源不断地提供高质量的信息。

首先花个三五分钟设计一个Logo=。=作为一个程序员我一直有一颗做美工的心！

好吧做的有点小凑合，就先凑合着用咯。

接下来呢，我们开始制作知乎的爬虫。

首先，确定第一个目标：编辑推荐。

网页链接：http://www.zhihu.com/explore/recommendations

我们对上次的代码稍作修改，先实现能够获取该页面内容：


import java.io.*;import java.net.*;import java.util.regex.*;public class Main { static String SendGet(String url) {  // 定义一个字符串用来存储网页内容  String result = "";  // 定义一个缓冲字符输入流  BufferedReader in = null;  try {   // 将string转成url对象   URL realUrl = new URL(url);   // 初始化一个链接到那个url的连接   URLConnection connection = realUrl.openConnection();   // 开始实际的连接   connection.connect();   // 初始化 BufferedReader输入流来读取URL的响应   in = new BufferedReader(new InputStreamReader(     connection.getInputStream()));   // 用来临时存储抓取到的每一行的数据   String line;   while ((line = in.readLine()) != null) {    // 遍历抓取到的每一行并将其存储到result里面    result += line;   }  } catch (Exception e) {   System.out.println("发送GET请求出现异常！" + e);   e.printStackTrace();  }  // 使用finally来关闭输入流  finally {   try {    if (in != null) {     in.close();    }   } catch (Exception e2) {    e2.printStackTrace();   }  }  return result; } static String RegexString(String targetStr, String patternStr) {  // 定义一个样式模板，此中使用正则表达式，括号中是要抓的内容  // 相当于埋好了陷阱匹配的地方就会掉下去  Pattern pattern = Pattern.compile(patternStr);  // 定义一个matcher用来做匹配  Matcher matcher = pattern.matcher(targetStr);  // 如果找到了  if (matcher.find()) {   // 打印出结果   return matcher.group(1);  }  return "Nothing"; } public static void main(String[] args) {  // 定义即将访问的链接  String url = "http://www.zhihu.com/explore/recommendations";  // 访问链接并获取页面内容  String result = SendGet(url);  // 使用正则匹配图片的src内容  //String imgSrc = RegexString(result, "src=\"(.+?)\"");  // 打印结果  System.out.println(result); }}

运行一下木有问题，接下来就是一个正则匹配的问题了。

首先我们先来获取该页面的所有的问题。

右击标题，审查元素：

啊哈，可以看到标题其实是一个a标签，也就是一个超链接，而其中能够和其他超链接区分开的，应该就是那个class了，也就是类选择器。

于是我们的正则语句就出来了：question_link.+?href=\"(.+?)\"

调用RegexString函数，并给它传参：


 public static void main(String[] args) {  // 定义即将访问的链接  String url = "http://www.zhihu.com/explore/recommendations";  // 访问链接并获取页面内容  String result = SendGet(url);  // 使用正则匹配图片的src内容  String imgSrc = RegexString(result, "question_link.+?>(.+?)<");  // 打印结果  System.out.println(imgSrc); }

啊哈，可以看到我们成功抓到了一个标题（注意，只是一个）：

等一下啊这一大堆的乱七八糟的是什么玩意？！

别紧张=。=它只是字符乱码而已。

编码问题可以参见：HTML字符集

一般来说，对中文支持较好的主流编码是UTF-8，GB2312和GBK编码。

网页可以通过meta标签的charset来设置网页编码，譬如：


<meta charset="utf-8" />

我们右击，查看页面源代码：

可以看到，知乎采用的是UTF-8编码。

在这里和大家解释一下查看页面源代码和审查元素的区别。

查看页面源代码是显示整个页面的所有代码，没有按照HTML的标签进行排版，相当于是直接查看源码，这种方式对于查看整个网页的信息，比如meta比较有用。

审查元素，或者有的浏览器叫查看元素，是针对你右击的元素进行查看，比如一个div或者img，比较适用于单独查看某个对象的属性和标签。

好的，我们现在知道了问题出在了编码上，接下来就是对抓取到的内容进行编码转换了。

在java中实现很简单，只需要在InputStreamReader里面指定编码方式就行：


// 初始化 BufferedReader输入流来读取URL的响应   in = new BufferedReader(new InputStreamReader(     connection.getInputStream(),"UTF-8"));

此时再运行程序，便会发现可以正常显示标题了：

好的！非常好！

但是现在才只有一个标题，我们需要的是所有的标题。

我们将正则稍加修改，把搜索到的结果存储到一个ArrayList里面：


import java.io.*;import java.net.*;import java.util.ArrayList;import java.util.regex.*;public class Main { static String SendGet(String url) {  // 定义一个字符串用来存储网页内容  String result = "";  // 定义一个缓冲字符输入流  BufferedReader in = null;  try {   // 将string转成url对象   URL realUrl = new URL(url);   // 初始化一个链接到那个url的连接   URLConnection connection = realUrl.openConnection();   // 开始实际的连接   connection.connect();   // 初始化 BufferedReader输入流来读取URL的响应   in = new BufferedReader(new InputStreamReader(     connection.getInputStream(), "UTF-8"));   // 用来临时存储抓取到的每一行的数据   String line;   while ((line = in.readLine()) != null) {    // 遍历抓取到的每一行并将其存储到result里面    result += line;   }  } catch (Exception e) {   System.out.println("发送GET请求出现异常！" + e);   e.printStackTrace();  }  // 使用finally来关闭输入流  finally {   try {    if (in != null) {     in.close();    }   } catch (Exception e2) {    e2.printStackTrace();   }  }  return result; } static ArrayList<String> RegexString(String targetStr, String patternStr) {  // 预定义一个ArrayList来存储结果  ArrayList<String> results = new ArrayList<String>();  // 定义一个样式模板，此中使用正则表达式，括号中是要抓的内容  Pattern pattern = Pattern.compile(patternStr);  // 定义一个matcher用来做匹配  Matcher matcher = pattern.matcher(targetStr);  // 如果找到了  boolean isFind = matcher.find();  // 使用循环将句子里所有的kelvin找出并替换再将内容加到sb里  while (isFind) {   //添加成功匹配的结果   results.add(matcher.group(1));   // 继续查找下一个匹配对象   isFind = matcher.find();  }  return results; } public static void main(String[] args) {  // 定义即将访问的链接  String url = "http://www.zhihu.com/explore/recommendations";  // 访问链接并获取页面内容  String result = SendGet(url);  // 使用正则匹配图片的src内容  ArrayList<String> imgSrc = RegexString(result, "question_link.+?>(.+?)<");  // 打印结果  System.out.println(imgSrc); }}

这样就能匹配到所有的结果了（因为直接打印了ArrayList所以会有一些中括号和逗号）：

OK，这样就算是完成了知乎爬虫的第一步。

但是我们可以看出来，用这样的方式是没有办法抓到所有的问题和回答的。

我们需要设计一个Zhihu封装类，来存储所有抓取到的对象。

Zhihu.java源码：


import java.util.ArrayList;public class Zhihu { public String question;// 问题 public String zhihuUrl;// 网页链接 public ArrayList<String> answers;// 存储所有回答的数组 // 构造方法初始化数据 public Zhihu() {  question = "";  zhihuUrl = "";  answers = new ArrayList<String>(); } @Override public String toString() {  return "问题：" + question + "\n链接：" + zhihuUrl + "\n回答：" + answers + "\n"; }}

再新建一个Spider类来存放一些爬虫常用的函数。

Spider.java源码：


import java.io.BufferedReader;import java.io.InputStreamReader;import java.net.URL;import java.net.URLConnection;import java.util.ArrayList;import java.util.regex.Matcher;import java.util.regex.Pattern;public class Spider { static String SendGet(String url) {  // 定义一个字符串用来存储网页内容  String result = "";  // 定义一个缓冲字符输入流  BufferedReader in = null;  try {   // 将string转成url对象   URL realUrl = new URL(url);   // 初始化一个链接到那个url的连接   URLConnection connection = realUrl.openConnection();   // 开始实际的连接   connection.connect();   // 初始化 BufferedReader输入流来读取URL的响应   in = new BufferedReader(new InputStreamReader(     connection.getInputStream(), "UTF-8"));   // 用来临时存储抓取到的每一行的数据   String line;   while ((line = in.readLine()) != null) {    // 遍历抓取到的每一行并将其存储到result里面    result += line;   }  } catch (Exception e) {   System.out.println("发送GET请求出现异常！" + e);   e.printStackTrace();  }  // 使用finally来关闭输入流  finally {   try {    if (in != null) {     in.close();    }   } catch (Exception e2) {    e2.printStackTrace();   }  }  return result; } static ArrayList<Zhihu> GetZhihu(String content) {  // 预定义一个ArrayList来存储结果  ArrayList<Zhihu> results = new ArrayList<Zhihu>();  // 用来匹配标题  Pattern questionPattern = Pattern.compile("question_link.+?>(.+?)<");  Matcher questionMatcher = questionPattern.matcher(content);  // 用来匹配url，也就是问题的链接  Pattern urlPattern = Pattern.compile("question_link.+?href=\"(.+?)\"");  Matcher urlMatcher = urlPattern.matcher(content);  // 问题和链接要均能匹配到  boolean isFind = questionMatcher.find() && urlMatcher.find();  while (isFind) {   // 定义一个知乎对象来存储抓取到的信息   Zhihu zhuhuTemp = new Zhihu();   zhuhuTemp.question = questionMatcher.group(1);   zhuhuTemp.zhihuUrl = "http://www.zhihu.com" + urlMatcher.group(1);   // 添加成功匹配的结果   results.add(zhuhuTemp);   // 继续查找下一个匹配对象   isFind = questionMatcher.find() && urlMatcher.find();  }  return results; }}

最后一个main方法负责调用。


import java.util.ArrayList;public class Main { public static void main(String[] args) {  // 定义即将访问的链接  String url = "http://www.zhihu.com/explore/recommendations";  // 访问链接并获取页面内容  String content = Spider.SendGet(url);  // 获取该页面的所有的知乎对象  ArrayList<Zhihu> myZhihu = Spider.GetZhihu(content);  // 打印结果  System.out.println(myZhihu); }}

Ok这样就算搞定了。运行一下看看结果：