零基础写Java知乎爬虫之抓取知乎答案

前期我们抓取标题是在该链接下：

http://www.zhihu.com/explore/recommendations

但是显然这个页面是无法获取答案的。

一个完整问题的页面应该是这样的链接：

http://www.zhihu.com/question/22355264

仔细一看，啊哈我们的封装类还需要进一步包装下，至少需要个questiondescription来存储问题描述：

import java.util.arraylist;
public class zhihu {
 public string question;// 问题
 public string questiondescription;// 问题描述
 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 = "";
  questiondescription = "";
  zhihuurl = "";
  answers = new arraylist<string>();
 }
 @override
 public string tostring() {
  return "问题：" + question + "\n" + "描述：" + questiondescription + "\n"
    + "链接：" + zhihuurl + "\n回答：" + answers + "\n";
 }
}

我们给知乎的构造函数加上一个参数，用来设定url值，因为url确定了，这个问题的描述和答案也就都能抓到了。

我们将spider的获取知乎对象的方法改一下，只获取url即可：

 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url，也就是问题的链接
  pattern urlpattern = pattern.compile("<h2>.+?question_link.+?href=\"(.+?)\".+?</h2>");
  matcher urlmatcher = urlpattern.matcher(content);
  // 是否存在匹配成功的对象
  boolean isfind = urlmatcher.find();
  while (isfind) {
   // 定义一个知乎对象来存储抓取到的信息
   zhihu zhihutemp = new zhihu(urlmatcher.group(1));
   // 添加成功匹配的结果
   results.add(zhihutemp);
   // 继续查找下一个匹配对象
   isfind = urlmatcher.find();
  }
  return results;
 }

接下来，就是在zhihu的构造方法里面，通过url获取所有的详细数据。

我们先要对url进行一个处理，因为有的针对回答的，它的url是：

http://www.zhihu.com/question/22355264/answer/21102139

有的针对问题的，它的url是：

http://www.zhihu.com/question/22355264

那么我们显然需要的是第二种，所以需要用正则把第一种链接裁切成第二种，这个在zhihu中写个函数即可。

// 处理url
 boolean getrealurl(string url) {
  // 将http://www.zhihu.com/question/22355264/answer/21102139
  // 转化成http://www.zhihu.com/question/22355264
  // 否则不变
  pattern pattern = pattern.compile("question/(.*?)/");
  matcher matcher = pattern.matcher(url);
  if (matcher.find()) {
   zhihuurl = "http://www.zhihu.com/question/" + matcher.group(1);
  } else {
   return false;
  }
  return true;
 }

接下来就是各个部分的获取工作了。

先看下标题：

正则把握住那个class即可，正则语句可以写成：zm-editable-content\">(.+?)<

运行下看看结果：

哎哟不错哦。

接下来抓取问题描述：

啊哈一样的原理，抓住class，因为它应该是这个的唯一标识。

验证方法：右击查看页面源代码，ctrl+f看看页面中有没有其他的这个字符串。

后来经过验证，还真出了问题：

标题和描述内容前面的class是一样的。

那只能通过修改正则的方式来重新抓取：

// 匹配标题
   pattern = pattern.compile("zh-question-title.+?<h2.+?>(.+?)</h2>");
   matcher = pattern.matcher(content);
   if (matcher.find()) {
    question = matcher.group(1);
   }
   // 匹配描述
   pattern = pattern
     .compile("zh-question-detail.+?<div.+?>(.*?)</div>");
   matcher = pattern.matcher(content);
   if (matcher.find()) {
    questiondescription = matcher.group(1);
   }

最后就是循环抓取答案了：

初步暂定正则语句：/answer/content.+?<div.+?>(.*?)</div>

改下代码之后我们会发现软件运行的速度明显变慢了，因为他需要访问每个网页并且把上面的内容抓下来。

比如说编辑推荐有20个问题，那么就需要访问网页20次，速度也就慢下来了。

试验一下，看上去效果不错：

ok，那就先这样好了~下次继续进行一些细节的调整，比如多线程，io流写入本地等等。

附项目源码：

zhihu.java

import java.util.arraylist;
import java.util.regex.matcher;
import java.util.regex.pattern;
public class zhihu {
 public string question;// 问题
 public string questiondescription;// 问题描述
 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(string url) {
  // 初始化属性
  question = "";
  questiondescription = "";
  zhihuurl = "";
  answers = new arraylist<string>();
  // 判断url是否合法
  if (getrealurl(url)) {
   system.out.println("正在抓取" + zhihuurl);
   // 根据url获取该问答的细节
   string content = spider.sendget(zhihuurl);
   pattern pattern;
   matcher matcher;
   // 匹配标题
   pattern = pattern.compile("zh-question-title.+?<h2.+?>(.+?)</h2>");
   matcher = pattern.matcher(content);
   if (matcher.find()) {
    question = matcher.group(1);
   }
   // 匹配描述
   pattern = pattern
     .compile("zh-question-detail.+?<div.+?>(.*?)</div>");
   matcher = pattern.matcher(content);
   if (matcher.find()) {
    questiondescription = matcher.group(1);
   }
   // 匹配答案
   pattern = pattern.compile("/answer/content.+?<div.+?>(.*?)</div>");
   matcher = pattern.matcher(content);
   boolean isfind = matcher.find();
   while (isfind) {
    answers.add(matcher.group(1));
    isfind = matcher.find();
   }
  }
 }
 // 根据自己的url抓取自己的问题和描述和答案
 public boolean getall() {
  return true;
 }
 // 处理url
 boolean getrealurl(string url) {
  // 将http://www.zhihu.com/question/22355264/answer/21102139
  // 转化成http://www.zhihu.com/question/22355264
  // 否则不变
  pattern pattern = pattern.compile("question/(.*?)/");
  matcher matcher = pattern.matcher(url);
  if (matcher.find()) {
   zhihuurl = "http://www.zhihu.com/question/" + matcher.group(1);
  } else {
   return false;
  }
  return true;
 }
 @override
 public string tostring() {
  return "问题：" + question + "\n" + "描述：" + questiondescription + "\n"
    + "链接：" + zhihuurl + "\n回答：" + answers.size() + "\n";
 }
}

spider.java

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;
 }
 // 获取所有的编辑推荐的知乎内容
 static arraylist<zhihu> getrecommendations(string content) {
  // 预定义一个arraylist来存储结果
  arraylist<zhihu> results = new arraylist<zhihu>();
  // 用来匹配url，也就是问题的链接
  pattern pattern = pattern
    .compile("<h2>.+?question_link.+?href=\"(.+?)\".+?</h2>");
  matcher matcher = pattern.matcher(content);
  // 是否存在匹配成功的对象
  boolean isfind = matcher.find();
  while (isfind) {
   // 定义一个知乎对象来存储抓取到的信息
   zhihu zhihutemp = new zhihu(matcher.group(1));
   // 添加成功匹配的结果
   results.add(zhihutemp);
   // 继续查找下一个匹配对象
   isfind = matcher.find();
  }
  return results;
 }
}

main.java

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);
  // 获取编辑推荐
  arraylist<zhihu> myzhihu = spider.getrecommendations(content);
  // 打印结果
  system.out.println(myzhihu);
 }
}

以上就是抓取知乎答案的全部记录，非常的详尽，有需要的朋友可以参考下