java知乎爬虫写作过程和思路

0.需要的知识点

  • 正则表达式
  • java多线程线程池池知识
  • httpclient网络库及json和html结构

1.获取主话题

在知乎中一共有33个主话题,在33个主话题下又有15776个子话题,因此我们首先要获取到33个主话题
(ps:一开始打算用HttpURLConnection进行网络请求,由于后面需要以post形式访问并且提交form因此后面的代码改用了httpclient进行网络请求)

图中的data-id就是主话题的id
public static void getTopicId(){
        new Thread(new Runnable() {

            @Override
            public void run() {
                Connection connection;
                int id = 1;
                try {
                    URL url = new URL("https://www.zhihu.com/topics");
                    HttpURLConnection conn = (HttpURLConnection) url.openConnection();
                    conn.setRequestMethod("GET");
                    conn.connect();
                    BufferedReader bfr = new BufferedReader(new InputStreamReader(conn.getInputStream(),"UTF-8"));
                    String line = null;
                    StringBuilder sb = new StringBuilder();
                    while ((line = (bfr.readLine())) != null){
                        sb.append(line);
                    }
                    String result = sb.toString();
                    String regex = "data-id=\"[0-9]{0,6}\"";
                    Pattern pattern = Pattern.compile(regex);
                    Matcher m = pattern.matcher(result);
                    String regx = "href=\"#.*?\"";
                    Pattern p = Pattern.compile(regx);
                    Matcher mn = p.matcher(result);
                    while (m.find() && mn.find()){
                        String s = m.group();
                        s = s.substring(9,s.length() - 1);
                        String sn = mn.group();
                        sn = sn.substring(7,sn.length() - 1);
                        System.out.println(s + " " + sn);
                        connection = JDBCUtil.getConn();
                        PreparedStatement state = (PreparedStatement) connection.prepareStatement("insert into main_topic values(?,?,?)");
                        state.setInt(1, id++);
                        state.setInt(2, Integer.valueOf(s));
                        state.setString(3, sn);
                        state.execute();
                    }
                } catch (Exception e) {
                    // TODO Auto-generated catch block
                    e.printStackTrace();
                }
            }
        }).start();
    }

2.获取各个主话题下的分话题

通过抓包我们可以发现在分话题页面通过post请求访问到服务器来加载分话题,没一次下拉到底部会多加载20个分话题,通过offset来控制,因此我们可以通过post请求服务器来获得json数据


post请求结构
通过postman模拟post请求得到返回数据

由于返回的json数据中的中文为unicode编码,因此运用了Utils类中的方法来转换为中文以便储存到数据库中

public static void getChildTopics(int topic_id,Connection conn) throws Exception{
        int offset = 0;;
        while (true){
            PoolingHttpClientConnectionManager cm = new PoolingHttpClientConnectionManager();
            CloseableHttpClient httpClient = HttpClients.custom()
                    .setRetryHandler(new DefaultHttpRequestRetryHandler())
                    .setConnectionManager(cm)
                    .build();
            HttpPost req = new HttpPost("https://www.zhihu.com/node/TopicsPlazzaListV2");
            List<NameValuePair> params = new ArrayList<NameValuePair>();
            params.add(new BasicNameValuePair("method", "next"));
            params.add(new BasicNameValuePair("params", "{\"topic_id\":" + topic_id + ",\"offset\":" + offset +",\"hash_id\":\"37492588249aa9b50ee49d1797e9af81\"}"));
            req.setEntity(new UrlEncodedFormEntity(params,Consts.UTF_8));
            HttpResponse resp = httpClient.execute(req);
            String sb = EntityUtils.toString(resp.getEntity());
            if (sb.length() < 25) break;
            String regex = "<strong>.*?<\\\\/strong>";
            Pattern p = Pattern.compile(regex);
            Matcher m = p.matcher(sb);
            String regx = "href=\\\\\"\\\\/topic\\\\/[0-9]+\\\\\"";
            Pattern p1 = Pattern.compile(regx);
            Matcher m1 = p1.matcher(sb);
            while (m.find() && m1.find()){
                String temp = m.group().substring(8, m.group().length() - 10);
                String sql = "insert into child_topic values(null,?,?,?)";
                PreparedStatement state = (PreparedStatement) conn.prepareStatement(sql);
                state.setInt(1,topic_id);
                state.setString(2,m1.group().substring(16, m1.group().length() - 2));
                state.setString(3,Utils.decodeUnicode(temp));
                state.execute();
            }
            offset += 20;
        }
    }

通过主话题id来获取下面的子话题id

3.通过分话题id来获取热门问答

public static void loadOneTopicHotQA(int child_topic_id) throws Exception{
        PoolingHttpClientConnectionManager cm = new PoolingHttpClientConnectionManager();
        CloseableHttpClient httpClient = HttpClients.custom()
                .setRetryHandler(new DefaultHttpRequestRetryHandler())
                .setConnectionManager(cm)
                .build();
        HttpGet req = new HttpGet("https://www.zhihu.com/topic/" + child_topic_id + "/hot");
        HttpResponse resp = httpClient.execute(req);
        String result = EntityUtils.toString(resp.getEntity());
        //正则匹配打不出来,后面以截图形式给出
        Pattern p_qa_id = Pattern.compile(regex_qa_id);
        Pattern p_qa_name = Pattern.compile(regex_qa_name);
        Pattern p_qa_username = Pattern.compile(regex_qa_username);
        Matcher m_qa_id = p_qa_id.matcher(result);
        Matcher m_qa_name = p_qa_name.matcher(result);
        Matcher m_qa_username = p_qa_username.matcher(result);
        while (m_qa_id.find() && m_qa_name.find() && m_qa_username.find()){
            String[] qanda_id = m_qa_id.group().split("/");
            String q_id = qanda_id[2];
            String a_id = qanda_id[4].substring(0, qanda_id[4].length() - 2);
            String q_name = m_qa_name.group().split("\n")[1];
            String temp = m_qa_username.group();
            String q_username = null;
            if (temp.contains("匿名用户")) q_username = "匿名用户";
            else if (temp.contains("知乎用户")) q_username = "知乎用户";
            else q_username = temp.substring(30, temp.length() - 1);
            HotQA qa = new HotQA(child_topic_id,Integer.valueOf(q_id), q_name, Integer.valueOf(a_id), q_username);
            DaoImpl daoimpl = new DaoImpl();
            daoimpl.save(qa, child_topic_id);
        }
    }

正则匹配

由于未登陆情况下可能会出现答主名字被替换为知乎用户,因此要考虑答主名字为知乎用户这种情况

4.爬到的数据能做什么

数据

5.扩展

在DAO层中提供了返回指定话题最新动态的方法,同时也包含了通过answer_id获取指定回答的方法,将来可能还会加入爬取用户信息的功能。

6.感谢

感谢看到这里,如果不嫌弃的话给gayhub项目一个star呗,关注一下我也是最最最最吼的
gayhub项目 可以直接点哟
另外大家可以也可以通过微博联系我哟:关耳金名
如何使用及编程过程中踩过的坑

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,496评论 6 501
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,407评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,632评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,180评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,198评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,165评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,052评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,910评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,324评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,542评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,711评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,424评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,017评论 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,668评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,823评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,722评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,611评论 2 353

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,651评论 18 139
  • 发现 关注 消息 iOS 第三方库、插件、知名博客总结 作者大灰狼的小绵羊哥哥关注 2017.06.26 09:4...
    肇东周阅读 12,094评论 4 62
  • 翻译约定 primary data: 主数据resource identifier object 资源标识符对象r...
    sladeliu阅读 2,388评论 0 2
  • 在《美国黑帮》片尾,丹泽尔华盛顿端着咖啡杯,看着几个街头少年,对前来接他出狱的朋友说:Even a fool ge...
    edd9fce0bc86阅读 519评论 0 2
  • 杏鲍菇炒肉丝 制作步骤 1、杏鲍菇切丝,肉切丝,用生抽、淀粉腌渍15分钟。 2、锅内烧开水,杏鲍菇过水煮一会儿,到...
    时光纪阅读 165评论 0 1