从零实现一个高性能网络爬虫（一）网络请求分析及代码实现

摘要

从零实现一个高性能网络爬虫系列教程第一篇，后续会有关于url去重、如何反爬虫、如何提高抓取效率、分布式爬虫系列文章。
以我写的一个知乎爬虫为Demo讲解,github地址 (https://github.com/wycm/zhihu-crawler) ,有兴趣的朋友可以star下。
网络请求的分析是写网络爬虫非常关键且重要的一个步骤。这篇文章以知乎网站为例，从网络请求分析到代码(java)实现。

目的

获取某个知乎用户的所有关注用户的个人资料

请求分析

• 就目前的大部分网页来说，网页上能看到的数据大多都是直接在网站后台生成好数据(有的网页是在网站前端通过js代码处理后显示,如数据混淆、加密等)直接在前台显示。
• 虽然很多网站采用了ajax异步加载，但是归根结底它还是一个http请求。只要能够分析出对应数据的请求来源，那么就很容易的拿到你想要的数据了。以下步骤讲解如何分析http请求。

1. 以我的知乎账户为例，获取我的所有关注用户资料。首先打开我的关注列表，可以看到主面板就是我的关注用户列表，
   我一共关注233个用户，现在目的是就是要获取这233个用户的个人资料信息。打开F12->NetWork,勾选上Preserve log和Disable cache（如下图）。
   
2. 下拉滚动条，点击下一页获取对应请求(在翻页的过程会有很多无关的请求),待页面加载完成后，在请求列表中右键->Save as HAR with content，这个文件是把当前请求(request)列表保存为
   json格式文本，保存后使用chrome打开这个文件，搜索(Ctrl+F)页面出现的关键字，要注意这里中文采用了unicode编码，我这里直接搜索5032(李博杰的关注者数，见下图)。这一步骤的目的是获取我们想要数据(关注用户的个人资料)的请求来源。
3. 由步骤2搜索得出，关注用户的资料数据来自以下请求(如下图),url解码后为https://www.zhihu.com/api/v4/members/wo-yan-chen-mo/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=20&limit=20(url1)，从这里可以看出关注列表的数据并不是从(url2)同步加载而来的，而是直接通过ajax异步请求url1来获得关注用户数据，然后通过js代码填充数据。这里要注意用红色矩形圈住的authorization request header，在代码实现的时候必须加上这个header。这个数据并不是动态改变的，通过步骤2的方式可以发现它是来自一个js文件。该步骤注意的是，我写该文章的时候是2017-04-27，随着时间推移，知乎可能会更新相关api接口的url，也就是说通过步骤2得出的url有可能并不是我上面的url1，但是具体分析的方法还是通用的。
4. 多测试几次可以得出以上url1的参数含义如下

   参数名	类型	必填	值	说明
   include	String	是	data[*]answer_count,articles_count	需要返回的字段（这个值可以改根据需要增加一些字段）
   offset	int	是	0	偏移量（通过调整这个值可以获取到一个用户的所有关注用户资料）
   limit	int	是	20	返回用户数（最大20，超过20无效）

5. 关于如何测试请求，我常用的以下三种方式
   • 原生chrome浏览器。可以做一些简单的GET请求测试，这种方式有很大的局限性，不能编辑http header。如果直接(未登录知乎)通过浏览器访问url1，会得到401的response code。因为它没有带上authorization request header。所以这种方式能测试一些简单且没有特殊request header的GET请求。
   • chrome插件Postman。一个很强大的http请求测试工具，可以直接编辑request header(包括cookies)。如果可以翻墙的话，强烈推荐。GET、POST、PUT等都是支持的，几乎可以发送任意类型的http请求,测试的url1如下图。通过修改它参数的值，来看服务器响应数据的变化来确定参数含义
   • intellij idea ultimate版自带的工具。打开方式 Tools->Test RESTful Web Service。也是可以直接编辑http header(包括cookies)请求发送，GET、POST、PUT等请求方式也都是支持的。
6. response是一段json格式的数据，中文是采用的unicode编码，解码后数据内容如下图。

代码实现

• 代码采用的Java HttpClient4.x，关于HttpClient4.x的使用我这里不过多讲解，要注意的是HttpClient4.x和3.x API有很大的差异。

package com.cnblogs.wycm;

import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;

import java.io.IOException;

/**
 * 获取wo-yan-chen-mo关注的所有知乎用户信息
 * 只是把用户资料打印出来，没有具体解析（关于解析出详细数据可以采用正则表达式、json库、jsonpath等方式）
 */
public class Demo {
    public static void main(String[] args) throws IOException {
        //创建http客户端
        CloseableHttpClient httpClient = HttpClients.createDefault();

        String url = "https://www.zhihu.com/api/v4/members/wo-yan-chen-mo/followees?include=data%5B*%5D.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics&offset=0&limit=20";

        //创建http request(GET)
        HttpGet request = new HttpGet(url);

        //设置http request header
        request.setHeader("authorization", "oauth c3cef7c66a1843f8b3a9e6a1e3160e20");
        //执行http请求
        CloseableHttpResponse response = httpClient.execute(request);
        //打印response
        String responseStr = EntityUtils.toString(response.getEntity());
        System.out.println(responseStr);

        String nextPageUrl = getNextPageUrl(responseStr);
        boolean isEnd = getIsEnd(responseStr);

        while (!isEnd && nextPageUrl != null){
            //创建http request(GET)
            request = new HttpGet(nextPageUrl);

            //设置http request header
            request.setHeader("authorization", "oauth c3cef7c66a1843f8b3a9e6a1e3160e20");
            response = httpClient.execute(request);
            //打印response
            responseStr = EntityUtils.toString(response.getEntity());
            System.out.println(responseStr);
            nextPageUrl = getNextPageUrl(responseStr);
            isEnd = getIsEnd(responseStr);
        }
    }

    /**
     * 获取next url
     * @param responseStr
     * @return
     */
    private static String getNextPageUrl(String responseStr){
        JSONObject jsonObject = (JSONObject) JSON.parse(responseStr);
        jsonObject = (JSONObject) jsonObject.get("paging");
        return jsonObject.get("next").toString();
    }

    /**
     * 获取is_end
     * @param responseStr
     * @return
     */
    private static boolean getIsEnd(String responseStr){
        JSONObject jsonObject = (JSONObject) JSON.parse(responseStr);
        jsonObject = (JSONObject) jsonObject.get("paging");
        return (boolean) jsonObject.get("is_end");
    }
}

• maven依赖

　　<dependency>
      <groupId>org.apache.httpcomponents</groupId>
      <artifactId>httpclient</artifactId>
      <version>4.5</version>
    </dependency>

    <!-- https://mvnrepository.com/artifact/com.alibaba/fastjson -->
    <dependency>
      <groupId>com.alibaba</groupId>
      <artifactId>fastjson</artifactId>
      <version>1.2.31</version>
    </dependency>

一个程序员日常分享，包括但不限于爬虫、Java后端技术，欢迎关注。