c httpclient抓取网页( 一个基于JAVA的知乎爬虫，抓取90W+用户信息 )

　　c httpclient抓取网页(

一个基于JAVA的知乎爬虫，抓取90W+用户信息

)

　　Java实现爬取知乎用户基本信息

　　更新时间：2016-05-24 16:24:45 作者：卧燕无语

　　本文章主要介绍了一个基于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

　　本文示例分享一个基于JAVA的知乎爬虫，抓取知乎用户的基本信息，基于HttpClient4.5，供大家参考，具体内容如下

　　细节：

　　抓取90W+用户信息（基本活跃用户在里面）

　　大概的概念：

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

　　2.创建两个线程池和一个Storage。用于抓取网页的线程池，负责执行请求请求，返回网页内容，存储在Storage中。另一个是解析网页线程池，负责从Storage中提取和解析网页内容，解析用户数据并存入数据库，解析用户关注人的主页，并将地址请求加入到爬取中网页线程池。继续循环。

　　3. 关于url去重，我直接把访问过的链接md5存入数据库。每次访问前，检查数据库中是否存在链接。

　　到目前为止，已经捕获了 100W 用户，访问了 220W+ 链接。现在爬取的用户是一些不太活跃的用户。比较活跃的用户基本应该被抓到。

　　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：