本文实例为大家分享了一个基于JAVA的知乎爬虫，抓取知乎用户基本信息，基于HttpClient 4.5，供大家参考，具体内容如下
详细内容：
抓取90W+用户信息（基本上活跃的用户都在里面）
大致思路：
1.首先模拟登录知乎，登录成功后将Cookie序列化到磁盘，不用以后每次都登录（如果不模拟登录，可以直接从浏览器塞入Cookie也是可以的）。
2.创建两个线程池和一个Storage。一个抓取网页线程池，负责执行request请求，并返回网页内容，存到Storage中。另一个是解析网页线程池，负责从Storage中取出网页内容并解析，解析用户资料存入数据库，解析该用户关注的人的首页，将该地址请求又加入抓取网页线程池。一直循环下去。
3.关于url去重，我是直接将访问过的链接md5化后存入数据库，每次访问前，查看数据库中是否存在该链接。
到目前为止，抓了100W用户了，访问过的链接220W+。现在抓取的用户都是一些不太活跃的用户了。比较活跃的用户应该基本上也抓完了。
项目地址：https://github.com/wycm/mycrawler
实现代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
|
作者：卧颜沉默链接：https://www.zhihu.com/question/36909173/answer/97643000来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 /** * * @param httpClient Http客户端 * @param context Http上下文 * @return */public boolean login(CloseableHttpClient httpClient, HttpClientContext context){String yzm = null;String loginState = null;HttpGet getRequest = new HttpGet("https://www.zhihu.com/#signin");HttpClientUtil.getWebPage(httpClient,context, getRequest, "utf-8", false);HttpPost request = new HttpPost("https://www.zhihu.com/login/email");List<NameValuePair> formParams = new ArrayList<NameValuePair>();yzm = yzm(httpClient, context,"https://www.zhihu.com/captcha.gif?type=login");//肉眼识别验证码formParams.add(new BasicNameValuePair("captcha", yzm));formParams.add(new BasicNameValuePair("_xsrf", ""));//这个参数可以不用formParams.add(new BasicNameValuePair("email", "邮箱"));formParams.add(new BasicNameValuePair("password", "密码"));formParams.add(new BasicNameValuePair("remember_me", "true"));UrlEncodedFormEntity entity = null;try {entity = new UrlEncodedFormEntity(formParams, "utf-8");} catch (UnsupportedEncodingException e) {e.printStackTrace();}request.setEntity(entity);loginState = HttpClientUtil.getWebPage(httpClient,context, request, "utf-8", false);//登录JSONObject jo = new JSONObject(loginState);if(jo.get("r").toString().equals("0")){System.out.println("登录成功");getRequest = new HttpGet("https://www.zhihu.com");HttpClientUtil.getWebPage(httpClient,context ,getRequest, "utf-8", false);//访问首页HttpClientUtil.serializeObject(context.getCookieStore(),"resources/zhihucookies");//序列化知乎Cookies，下次登录直接通过该cookies登录return true;}else{System.out.println("登录失败" + loginState);return false;}}/** * 肉眼识别验证码 * @param httpClient Http客户端 * @param context Http上下文 * @param url 验证码地址 * @return */public String yzm(CloseableHttpClient httpClient,HttpClientContext context, String url){HttpClientUtil.downloadFile(httpClient, context, url, "d:/test/", "1.gif",true);Scanner sc = new Scanner(System.in);String yzm = sc.nextLine();return yzm;} |
效果图：
以上就是本文的全部内容，希望对大家的学习有所帮助。
