基于 webmagic 的知乎爬取[GitHub]

ZhiHuCrawler（基于 webmagic 的知乎爬取）

简介

GitHub 地址
出于兴趣想要分析一下知乎，所以爬取了一些知乎的数据。爬取的数据主要有三种：
- 某种话题（如互联网、软件工程）下的问题
- 知乎大V（如张佳玮、李开复等）
- 大V回答

模块

主要分两个模块：

1. 话题问题爬取（ZhiHuTopics package）

该模块主要爬取某话题下的 Question ，比如爬取 软件工程 下的问题。爬取的结果如下：

url:    https://www.zhihu.com/question/66519221
标题: 腾讯开发微信花了多少钱？真的技术难度这么大吗？难点在哪里？
关注者:    2955
浏览人数:   1288594

【注】：这里由于我不需要 问题回答 ，故没有爬取 用户回答 。其实，在此基础上修改一下很容易得到 用户回答 内容。

该模块下爬取内容的输出为 txt 文件。

该模块的使用案例，请参考 Crawler 类中 main() 方法。

1. 大v爬取 (VAnalysis package)【未添加注释。。。】

该模块爬取的数据可分为两类：

知乎大v 【案例】: VUserCrawler 类中 main()

大V回答 【案例】: VAnswerCrawler 类中 main()

该模块爬取的结果输出到 MySQL 数据库。其中，使用了 Hibernate 方便、优化了输出。

相关

• 如果需要修改，请先了解 WebMagic。WebMagic 是一个开源的Java垂直爬虫框架。

• 为防止知乎锁 IP ，爬取速度不是很快。我在爬 top100大v的回答（8w+数据） 时大约使用了 2天 17小时。

关于

IntelliJ IDEA 2017.1
Build #IU-171.3780.107, built on March 22, 2017
Licensed to kissx

JRE: 1.8.0_112-release-736-b13 amd64
JVM: OpenJDK 64-Bit Server VM by JetBrains s.r.o
Windows 10 10.0