java爬取_java实现爬取知乎用户基本信息

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：

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 formParams = new ArrayList();

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。