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 17:28httpclient 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: