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：

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 + "
链接：" + zhihuUrl + "
回答：" + answers + "
";
    }
}

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。