零基础写Java知乎爬虫之获取知乎编辑推荐内容

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：

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。

好了，以上就是简单的介绍了如何使用java来抓取知乎的编辑推荐的内容的全部过程了，非常详尽，也很简单易懂，对吧，有需要的小伙伴可以参考下，*扩展也没问题哈