零基礎寫Java知乎爬蟲之抓取知乎答案

前期我們抓取標題是在該鏈接下：

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

但是顯然這個頁面是無法獲取答案的。

一個完整問題的頁面應該是這樣的鏈接：

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

仔細一看，啊哈我們的封裝類還需要進一步包裝下，至少需要個questionDescription來存儲問題描述：

import java.util.ArrayList;
public class Zhihu {
 public String question;// 問題
 public String questionDescription;// 問題描述
 public String zhihuUrl;// 網頁鏈接
 public ArrayList<String> answers;// 存儲所有回答的數組
 // 構造方法初始化數據
 public Zhihu() {
  question = "";
  questionDescription = "";
  zhihuUrl = "";
  answers = new ArrayList<String>();
 }
 @Override
 public String toString() {
  return "問題：" + question + "\n" + "描述：" + questionDescription + "\n"
    + "鏈接：" + zhihuUrl + "\n回答：" + answers + "\n";
 }
}

我們給知乎的構造函數加上一個參數，用來設定url值，因爲url確定了，這個問題的描述和答案也就都能抓到了。

我們將Spider的獲取知乎對象的方法改一下，只獲取url即可：

 static ArrayList<Zhihu> GetZhihu(String content) {
  // 預定義一個ArrayList來存儲結果
  ArrayList<Zhihu> results = new ArrayList<Zhihu>();
  // 用來匹配url，也就是問題的鏈接
  Pattern urlPattern = Pattern.compile("<h2>.+?question_link.+?href=\"(.+?)\".+?</h2>");
  Matcher urlMatcher = urlPattern.matcher(content);
  // 是否存在匹配成功的對象
  boolean isFind = urlMatcher.find();
  while (isFind) {
   // 定義一個知乎對象來存儲抓取到的信息
   Zhihu zhihuTemp = new Zhihu(urlMatcher.group(1));
   // 添加成功匹配的結果
   results.add(zhihuTemp);
   // 繼續查找下一個匹配對象
   isFind = urlMatcher.find();
  }
  return results;
 }

接下來，就是在Zhihu的構造方法裏面，通過url獲取所有的詳細數據。

我們先要對url進行一個處理，因爲有的針對回答的，它的url是：

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

有的針對問題的，它的url是：

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

那麼我們顯然需要的是第二種，所以需要用正則把第一種鏈接裁切成第二種，這個在Zhihu中寫個函數即可。

// 處理url
 boolean getRealUrl(String url) {
  // 將http://www.zhihu.com/question/22355264/answer/21102139
  // 轉化成http://www.zhihu.com/question/22355264
  // 否則不變
  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;
 }

接下來就是各個部分的獲取工作了。

先看下標題：

正則把握住那個class即可，正則語句可以寫成：zm-editable-content\”>(.+?)<

運行下看看結果：

哎喲不錯哦。

接下來抓取問題描述：

啊哈一樣的原理，抓住class，因爲它應該是這個的唯一標識。

驗證方法：右擊查看頁面源代碼，ctrl+F看看頁面中有沒有其他的這個字符串。

後來經過驗證，還真出了問題：

標題和描述內容前面的class是一樣的。

那隻能通過修改正則的方式來重新抓取：

// 匹配標題
   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);
   }

最後就是循環抓取答案了：

初步暫定正則語句：/answer/content.+?<div.+?>(.*?)</div>

改下代碼之後我們會發現軟件運行的速度明顯變慢了，因爲他需要訪問每個網頁並且把上面的內容抓下來。

比如說編輯推薦有20個問題，那麼就需要訪問網頁20次，速度也就慢下來了。

試驗一下，看上去效果不錯：

OK，那就先這樣好了~下次繼續進行一些細節的調整，比如多線程，IO流寫入本地等等。

附項目源碼：

Zhihu.java

import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Zhihu {
 public String question;// 問題
 public String questionDescription;// 問題描述
 public String zhihuUrl;// 網頁鏈接
 public ArrayList<String> answers;// 存儲所有回答的數組
 // 構造方法初始化數據
 public Zhihu(String url) {
  // 初始化屬性
  question = "";
  questionDescription = "";
  zhihuUrl = "";
  answers = new ArrayList<String>();
  // 判斷url是否合法
  if (getRealUrl(url)) {
   System.out.println("正在抓取" + zhihuUrl);
   // 根據url獲取該問答的細節
   String content = Spider.SendGet(zhihuUrl);
   Pattern pattern;
   Matcher matcher;
   // 匹配標題
   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();
   }
  }
 }
 // 根據自己的url抓取自己的問題和描述和答案
 public boolean getAll() {
  return true;
 }
 // 處理url
 boolean getRealUrl(String url) {
  // 將http://www.zhihu.com/question/22355264/answer/21102139
  // 轉化成http://www.zhihu.com/question/22355264
  // 否則不變
  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 "問題：" + question + "\n" + "描述：" + questionDescription + "\n"
    + "鏈接：" + 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) {
  // 定義一個字符串用來存儲網頁內容
  String result = "";
  // 定義一個緩衝字符輸入流
  BufferedReader in = null;
  try {
   // 將string轉成url對象
   URL realUrl = new URL(url);
   // 初始化一個鏈接到那個url的連接
   URLConnection connection = realUrl.openConnection();
   // 開始實際的連接
   connection.connect();
   // 初始化 BufferedReader輸入流來讀取URL的響應
   in = new BufferedReader(new InputStreamReader(
     connection.getInputStream(), "UTF-8"));
   // 用來臨時存儲抓取到的每一行的數據
   String line;
   while ((line = in.readLine()) != null) {
    // 遍歷抓取到的每一行並將其存儲到result裏面
    result += line;
   }
  } catch (Exception e) {
   System.out.println("發送GET請求出現異常！" + e);
   e.printStackTrace();
  }
  // 使用finally來關閉輸入流
  finally {
   try {
    if (in != null) {
     in.close();
    }
   } catch (Exception e2) {
    e2.printStackTrace();
   }
  }
  return result;
 }
 // 獲取所有的編輯推薦的知乎內容
 static ArrayList<Zhihu> GetRecommendations(String content) {
  // 預定義一個ArrayList來存儲結果
  ArrayList<Zhihu> results = new ArrayList<Zhihu>();
  // 用來匹配url，也就是問題的鏈接
  Pattern pattern = Pattern
    .compile("<h2>.+?question_link.+?href=\"(.+?)\".+?</h2>");
  Matcher matcher = pattern.matcher(content);
  // 是否存在匹配成功的對象
  Boolean isFind = matcher.find();
  while (isFind) {
   // 定義一個知乎對象來存儲抓取到的信息
   Zhihu zhihuTemp = new Zhihu(matcher.group(1));
   // 添加成功匹配的結果
   results.add(zhihuTemp);
   // 繼續查找下一個匹配對象
   isFind = matcher.find();
  }
  return results;
 }
}

Main.java

import java.util.ArrayList;
public class Main {
 public static void main(String[] args) {
  // 定義即將訪問的鏈接
  String url = "http://www.zhihu.com/explore/recommendations";
  // 訪問鏈接並獲取頁面內容
  String content = Spider.SendGet(url);
  // 獲取編輯推薦
  ArrayList<Zhihu> myZhihu = Spider.GetRecommendations(content);
  // 打印結果
  System.out.println(myZhihu);
 }
}

以上就是抓取知乎答案的全部記錄，非常的詳盡，有需要的朋友可以參考下