httpclient 抓取网页(一个基于JAVA的知乎爬虫抓取90W+用户信息(基本上4.5) )

优采云 发布时间: 2021-12-31 17:28

  httpclient 抓取网页(一个基于JAVA的知乎爬虫抓取90W+用户信息(基本上4.5)

)

  本文示例分享了一个基于JAVA的知乎爬虫,抓取知乎基本用户信息,基于HttpClient4.5,供大家参考,具体内容如下

  详情:

  抓取90W+用户信息(基本上活跃用户都在里面)

  总体思路:

  1.先模拟登录知乎,登录成功后cookie会序列化到磁盘,不需要每次都登录(如果不模拟登录,您可以直接从浏览器插入cookie。).

  2. 创建两个线程池和一个 Storage。一个网页爬取线程池负责执行请求请求,返回网页内容,并存储在Storage中。另一种是解析网页线程池,负责从Storage中取出网页内容并分析,分析用户信息并存入数据库,解析用户关注的人的主页,并添加地址请求到网页抓取线程池。继续循环。

  3. 关于url去重,我直接对访问过的链接进行md5保存到数据库中。每次访问前,检查数据库中是否存在该链接。

  目前已抓到100W用户,访问220W+链接。现在爬取的用户是一些不太活跃的用户。比较活跃的用户应该基本完成了。

  项目地址:

  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:

  

  

0 个评论

要回复文章请先登录注册


官方客服QQ群

微信人工客服

QQ人工客服


线