[Java]知乎下巴第2集：使用爬虫来获取知乎的编辑推荐内容

上一回我们拿百度做了测试，那么这一次开始做知乎下巴啦。

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：

[java]  view plain  copy

 

1. import java.io.*;  
2. import java.net.*;  
3. import java.util.regex.*;  
4.   
5. public class Main {  
6.     static String SendGet(String url) {  
7.         // 定义一个字符串用来存储网页内容  
8.         String result = "";  
9.         // 定义一个缓冲字符输入流  
10.         BufferedReader in = null;  
11.   
12.         try {  
13.             // 将string转成url对象  
14.             URL realUrl = new URL(url);  
15.             // 初始化一个链接到那个url的连接  
16.             URLConnection connection = realUrl.openConnection();  
17.             // 开始实际的连接  
18.             connection.connect();  
19.             // 初始化 BufferedReader输入流来读取URL的响应  
20.             in = new BufferedReader(new InputStreamReader(  
21.                     connection.getInputStream()));  
22.             // 用来临时存储抓取到的每一行的数据  
23.             String line;  
24.             while ((line = in.readLine()) != null) {  
25.                 // 遍历抓取到的每一行并将其存储到result里面  
26.                 result += line;  
27.             }  
28.         } catch (Exception e) {  
29.             System.out.println("发送GET请求出现异常！" + e);  
30.             e.printStackTrace();  
31.         }  
32.         // 使用finally来关闭输入流  
33.         finally {  
34.             try {  
35.                 if (in != null) {  
36.                     in.close();  
37.                 }  
38.             } catch (Exception e2) {  
39.                 e2.printStackTrace();  
40.             }  
41.         }  
42.         return result;  
43.   
44.     }  
45.   
46.     static String RegexString(String targetStr, String patternStr) {  
47.         // 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  
48.         // 相当于埋好了陷阱匹配的地方就会掉下去  
49.         Pattern pattern = Pattern.compile(patternStr);  
50.         // 定义一个matcher用来做匹配  
51.         Matcher matcher = pattern.matcher(targetStr);  
52.         // 如果找到了  
53.         if (matcher.find()) {  
54.             // 打印出结果  
55.             return matcher.group(1);  
56.         }  
57.         return "Nothing";  
58.     }  
59.   
60.     public static void main(String[] args) {  
61.   
62.         // 定义即将访问的链接  
63.         String url = "http://www.zhihu.com/explore/recommendations";  
64.         // 访问链接并获取页面内容  
65.         String result = SendGet(url);  
66.         // 使用正则匹配图片的src内容  
67.         //String imgSrc = RegexString(result, "src=\"(.+?)\"");  
68.         // 打印结果  
69.         System.out.println(result);  
70.     }  
71. }  

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：

[java]  view plain  copy

 

1. public static void main(String[] args) {  
2.   
3.     // 定义即将访问的链接  
4.     String url = "http://www.zhihu.com/explore/recommendations";  
5.     // 访问链接并获取页面内容  
6.     String result = SendGet(url);  
7.     // 使用正则匹配图片的src内容  
8.     String imgSrc = RegexString(result, "question_link.+?>(.+?)<");  
9.     // 打印结果  
10.     System.out.println(imgSrc);  
11. }  

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：

[html]  view plain  copy

 

1. <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：

[java]  view plain  copy

 

1. // 初始化 BufferedReader输入流来读取URL的响应  
2.             in = new BufferedReader(new InputStreamReader(  
3.                     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：

[java]  view plain  copy

 

1. import java.io.*;  
2. import java.net.*;  
3. import java.util.ArrayList;  
4. import java.util.regex.*;  
5.   
6. public class Main {  
7.     static String SendGet(String url) {  
8.         // 定义一个字符串用来存储网页内容  
9.         String result = "";  
10.         // 定义一个缓冲字符输入流  
11.         BufferedReader in = null;  
12.   
13.         try {  
14.             // 将string转成url对象  
15.             URL realUrl = new URL(url);  
16.             // 初始化一个链接到那个url的连接  
17.             URLConnection connection = realUrl.openConnection();  
18.             // 开始实际的连接  
19.             connection.connect();  
20.             // 初始化 BufferedReader输入流来读取URL的响应  
21.             in = new BufferedReader(new InputStreamReader(  
22.                     connection.getInputStream(), "UTF-8"));  
23.             // 用来临时存储抓取到的每一行的数据  
24.             String line;  
25.             while ((line = in.readLine()) != null) {  
26.                 // 遍历抓取到的每一行并将其存储到result里面  
27.                 result += line;  
28.             }  
29.         } catch (Exception e) {  
30.             System.out.println("发送GET请求出现异常！" + e);  
31.             e.printStackTrace();  
32.         }  
33.         // 使用finally来关闭输入流  
34.         finally {  
35.             try {  
36.                 if (in != null) {  
37.                     in.close();  
38.                 }  
39.             } catch (Exception e2) {  
40.                 e2.printStackTrace();  
41.             }  
42.         }  
43.         return result;  
44.   
45.     }  
46.   
47.     static ArrayList<String> RegexString(String targetStr, String patternStr) {  
48.         // 预定义一个ArrayList来存储结果  
49.         ArrayList<String> results = new ArrayList<String>();  
50.         // 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  
51.         Pattern pattern = Pattern.compile(patternStr);  
52.         // 定义一个matcher用来做匹配  
53.         Matcher matcher = pattern.matcher(targetStr);  
54.         // 如果找到了  
55.         boolean isFind = matcher.find();  
56.         // 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  
57.         while (isFind) {  
58.             //添加成功匹配的结果  
59.             results.add(matcher.group(1));  
60.             // 继续查找下一个匹配对象  
61.             isFind = matcher.find();  
62.         }  
63.         return results;  
64.     }  
65.   
66.     public static void main(String[] args) {  
67.   
68.         // 定义即将访问的链接  
69.         String url = "http://www.zhihu.com/explore/recommendations";  
70.         // 访问链接并获取页面内容  
71.         String result = SendGet(url);  
72.         // 使用正则匹配图片的src内容  
73.         ArrayList<String> imgSrc = RegexString(result, "question_link.+?>(.+?)<");  
74.         // 打印结果  
75.         System.out.println(imgSrc);  
76.     }  
77. }  

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：

[java]  view plain  copy

 

1. import java.util.ArrayList;  
2.   
3. public class Zhihu {  
4.     public String question;// 问题  
5.     public String zhihuUrl;// 网页链接  
6.     public ArrayList<String> answers;// 存储所有回答的数组  
7.   
8.     // 构造方法初始化数据  
9.     public Zhihu() {  
10.         question = "";  
11.         zhihuUrl = "";  
12.         answers = new ArrayList<String>();  
13.     }  
14.   
15.     @Override  
16.     public String toString() {  
17.         return "问题：" + question + "\n链接：" + zhihuUrl + "\n回答：" + answers + "\n";  
18.     }  
19. }  

再新建一个Spider类来存放一些爬虫常用的函数。

Spider.java源码：

[java]  view plain  copy

 

1. import java.io.BufferedReader;  
2. import java.io.InputStreamReader;  
3. import java.net.URL;  
4. import java.net.URLConnection;  
5. import java.util.ArrayList;  
6. import java.util.regex.Matcher;  
7. import java.util.regex.Pattern;  
8.   
9. public class Spider {  
10.     static String SendGet(String url) {  
11.         // 定义一个字符串用来存储网页内容  
12.         String result = "";  
13.         // 定义一个缓冲字符输入流  
14.         BufferedReader in = null;  
15.   
16.         try {  
17.             // 将string转成url对象  
18.             URL realUrl = new URL(url);  
19.             // 初始化一个链接到那个url的连接  
20.             URLConnection connection = realUrl.openConnection();  
21.             // 开始实际的连接  
22.             connection.connect();  
23.             // 初始化 BufferedReader输入流来读取URL的响应  
24.             in = new BufferedReader(new InputStreamReader(  
25.                     connection.getInputStream(), "UTF-8"));  
26.             // 用来临时存储抓取到的每一行的数据  
27.             String line;  
28.             while ((line = in.readLine()) != null) {  
29.                 // 遍历抓取到的每一行并将其存储到result里面  
30.                 result += line;  
31.             }  
32.         } catch (Exception e) {  
33.             System.out.println("发送GET请求出现异常！" + e);  
34.             e.printStackTrace();  
35.         }  
36.         // 使用finally来关闭输入流  
37.         finally {  
38.             try {  
39.                 if (in != null) {  
40.                     in.close();  
41.                 }  
42.             } catch (Exception e2) {  
43.                 e2.printStackTrace();  
44.             }  
45.         }  
46.         return result;  
47.   
48.     }  
49.   
50.     static ArrayList<Zhihu> GetZhihu(String content) {  
51.         // 预定义一个ArrayList来存储结果  
52.         ArrayList<Zhihu> results = new ArrayList<Zhihu>();  
53.         // 用来匹配标题  
54.         Pattern questionPattern = Pattern.compile("question_link.+?>(.+?)<");  
55.         Matcher questionMatcher = questionPattern.matcher(content);  
56.         // 用来匹配url，也就是问题的链接  
57.         Pattern urlPattern = Pattern.compile("question_link.+?href=\"(.+?)\"");  
58.         Matcher urlMatcher = urlPattern.matcher(content);  
59.   
60.         // 问题和链接要均能匹配到  
61.         boolean isFind = questionMatcher.find() && urlMatcher.find();  
62.   
63.         while (isFind) {  
64.             // 定义一个知乎对象来存储抓取到的信息  
65.             Zhihu zhuhuTemp = new Zhihu();  
66.             zhuhuTemp.question = questionMatcher.group(1);  
67.             zhuhuTemp.zhihuUrl = "http://www.zhihu.com" + urlMatcher.group(1);  
68.   
69.             // 添加成功匹配的结果  
70.             results.add(zhuhuTemp);  
71.             // 继续查找下一个匹配对象  
72.             isFind = questionMatcher.find() && urlMatcher.find();  
73.         }  
74.         return results;  
75.     }  
76.   
77. }  

最后一个main方法负责调用。

[java]  view plain  copy

 

1. import java.util.ArrayList;  
2.   
3. public class Main {  
4.   
5.     public static void main(String[] args) {  
6.         // 定义即将访问的链接  
7.         String url = "http://www.zhihu.com/explore/recommendations";  
8.         // 访问链接并获取页面内容  
9.         String content = Spider.SendGet(url);  
10.         // 获取该页面的所有的知乎对象  
11.         ArrayList<Zhihu> myZhihu = Spider.GetZhihu(content);  
12.         // 打印结果  
13.         System.out.println(myZhihu);  
14.     }  
15. }  

Ok这样就算搞定了。运行一下看看结果：

好的效果不错。

接下来就是访问链接然后获取到所有的答案了。

下一回我们再介绍。