java爬虫抓取网页数据(一个基于JAVA的知乎爬虫，知乎用户基本信息，基于HttpClient4.5 )

　　java爬虫抓取网页数据(一个基于JAVA的知乎爬虫，知乎用户基本信息，基于HttpClient4.5

)

　　本文主要介绍一个基于JAVA的知乎爬虫，用于抓取知乎用户的基本信息。有兴趣的朋友可以参考一下。

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

　　细节：

　　抓取90W+用户信息（基本活跃用户都在里面）

　　大概的概念：

　　1.首先模拟登录知乎。登录成功后，cookie会被序列化到磁盘，不需要每次都登录（如果不模拟登录，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，它负责从Storage中获取和分析网页内容，分析用户信息并存储到数据库中，分析用户关注的人的主页，并将地址请求添加到网页抓取线程池。继续循环。

　　3. 关于URL去重，我直接将访问过的链接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*敏*感*词*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：