知乎是一個(gè)真實(shí)的網(wǎng)絡(luò)問答社區(qū)，社區(qū)氛圍友好、理性、認(rèn)真，連接各行各業(yè)的精英。他們分享著彼此的專業(yè)知識(shí)、經(jīng)驗(yàn)和見解，為中文互聯(lián)網(wǎng)源源不斷地提供高質(zhì)量的信息。

首先花個(gè)三五分鐘設(shè)計(jì)一個(gè)Logo=。=作為一個(gè)程序員我一直有一顆做美工的心！

好吧做的有點(diǎn)小湊合，就先湊合著用咯。

接下來呢，我們開始制作知乎的爬蟲。

首先，確定第一個(gè)目標(biāo)：編輯推薦。

網(wǎng)頁鏈接：http://www.zhihu.com/explore/recommendations

我們對上次的代碼稍作修改，先實(shí)現(xiàn)能夠獲取該頁面內(nèi)容：

import java.io.*;
import java.net.*;
import java.util.regex.*;
public class Main {
 static String SendGet(String url) {
  // 定義一個(gè)字符串用來存儲(chǔ)網(wǎng)頁內(nèi)容
  String result = "";
  // 定義一個(gè)緩沖字符輸入流
  BufferedReader in = null;
  try {
   // 將string轉(zhuǎn)成url對象
   URL realUrl = new URL(url);
   // 初始化一個(gè)鏈接到那個(gè)url的連接
   URLConnection connection = realUrl.openConnection();
   // 開始實(shí)際的連接
   connection.connect();
   // 初始化 BufferedReader輸入流來讀取URL的響應(yīng)
   in = new BufferedReader(new InputStreamReader(
     connection.getInputStream()));
   // 用來臨時(shí)存儲(chǔ)抓取到的每一行的數(shù)據(jù)
   String line;
   while ((line = in.readLine()) != null) {
    // 遍歷抓取到的每一行并將其存儲(chǔ)到result里面
    result += line;
   }
  } catch (Exception e) {
   System.out.println("發(fā)送GET請求出現(xiàn)異常！" + e);
   e.printStackTrace();
  }
  // 使用finally來關(guān)閉輸入流
  finally {
   try {
    if (in != null) {
     in.close();
    }
   } catch (Exception e2) {
    e2.printStackTrace();
   }
  }
  return result;
 }
 static String RegexString(String targetStr, String patternStr) {
  // 定義一個(gè)樣式模板，此中使用正則表達(dá)式，括號(hào)中是要抓的內(nèi)容
  // 相當(dāng)于埋好了陷阱匹配的地方就會(huì)掉下去
  Pattern pattern = Pattern.compile(patternStr);
  // 定義一個(gè)matcher用來做匹配
  Matcher matcher = pattern.matcher(targetStr);
  // 如果找到了
  if (matcher.find()) {
   // 打印出結(jié)果
   return matcher.group(1);
  }
  return "Nothing";
 }
 public static void main(String[] args) {
  // 定義即將訪問的鏈接
  String url = "  // 訪問鏈接并獲取頁面內(nèi)容
  String result = SendGet(url);
  // 使用正則匹配圖片的src內(nèi)容
  //String imgSrc = RegexString(result, "src=\"(.+?)\"");
  // 打印結(jié)果
  System.out.println(result);
 }
}

運(yùn)行一下木有問題，接下來就是一個(gè)正則匹配的問題了。

首先我們先來獲取該頁面的所有的問題。

右擊標(biāo)題，審查元素：

啊哈，可以看到標(biāo)題其實(shí)是一個(gè)a標(biāo)簽，也就是一個(gè)超鏈接，而其中能夠和其他超鏈接區(qū)分開的，應(yīng)該就是那個(gè)class了，也就是類選擇器。

于是我們的正則語句就出來了：question_link.+?href=\"(.+?)\"

調(diào)用RegexString函數(shù)，并給它傳參：

 public static void main(String[] args) {
  // 定義即將訪問的鏈接
  String url = "  // 訪問鏈接并獲取頁面內(nèi)容
  String result = SendGet(url);
  // 使用正則匹配圖片的src內(nèi)容
  String imgSrc = RegexString(result, "question_link.+?>(.+?)<");
  // 打印結(jié)果
  System.out.println(imgSrc);
 }

啊哈，可以看到我們成功抓到了一個(gè)標(biāo)題（注意，只是一個(gè)）：

等一下啊這一大堆的亂七八糟的是什么玩意？！

別緊張=。=它只是字符亂碼而已。

編碼問題可以參見：HTML字符集

一般來說，對中文支持較好的主流編碼是UTF-8，GB2312和GBK編碼。

網(wǎng)頁可以通過meta標(biāo)簽的charset來設(shè)置網(wǎng)頁編碼，譬如：

<meta charset="utf-8" />

我們右擊，查看頁面源代碼：

可以看到，知乎采用的是UTF-8編碼。

在這里和大家解釋一下查看頁面源代碼和審查元素的區(qū)別。

查看頁面源代碼是顯示整個(gè)頁面的所有代碼，沒有按照HTML的標(biāo)簽進(jìn)行排版，相當(dāng)于是直接查看源碼，這種方式對于查看整個(gè)網(wǎng)頁的信息，比如meta比較有用。

審查元素，或者有的瀏覽器叫查看元素，是針對你右擊的元素進(jìn)行查看，比如一個(gè)div或者img，比較適用于單獨(dú)查看某個(gè)對象的屬性和標(biāo)簽。

好的，我們現(xiàn)在知道了問題出在了編碼上，接下來就是對抓取到的內(nèi)容進(jìn)行編碼轉(zhuǎn)換了。

在java中實(shí)現(xiàn)很簡單，只需要在InputStreamReader里面指定編碼方式就行：

// 初始化 BufferedReader輸入流來讀取URL的響應(yīng)
   in = new BufferedReader(new InputStreamReader(
     connection.getInputStream(),"UTF-8"));

此時(shí)再運(yùn)行程序，便會(huì)發(fā)現(xiàn)可以正常顯示標(biāo)題了：

好的！非常好！

但是現(xiàn)在才只有一個(gè)標(biāo)題，我們需要的是所有的標(biāo)題。

我們將正則稍加修改，把搜索到的結(jié)果存儲(chǔ)到一個(gè)ArrayList里面：

import java.io.*;
import java.net.*;
import java.util.ArrayList;
import java.util.regex.*;
public class Main {
 static String SendGet(String url) {
  // 定義一個(gè)字符串用來存儲(chǔ)網(wǎng)頁內(nèi)容
  String result = "";
  // 定義一個(gè)緩沖字符輸入流
  BufferedReader in = null;
  try {
   // 將string轉(zhuǎn)成url對象
   URL realUrl = new URL(url);
   // 初始化一個(gè)鏈接到那個(gè)url的連接
   URLConnection connection = realUrl.openConnection();
   // 開始實(shí)際的連接
   connection.connect();
   // 初始化 BufferedReader輸入流來讀取URL的響應(yīng)
   in = new BufferedReader(new InputStreamReader(
     connection.getInputStream(), "UTF-8"));
   // 用來臨時(shí)存儲(chǔ)抓取到的每一行的數(shù)據(jù)
   String line;
   while ((line = in.readLine()) != null) {
    // 遍歷抓取到的每一行并將其存儲(chǔ)到result里面
    result += line;
   }
  } catch (Exception e) {
   System.out.println("發(fā)送GET請求出現(xiàn)異常！" + e);
   e.printStackTrace();
  }
  // 使用finally來關(guān)閉輸入流
  finally {
   try {
    if (in != null) {
     in.close();
    }
   } catch (Exception e2) {
    e2.printStackTrace();
   }
  }
  return result;
 }
 static ArrayList<String> RegexString(String targetStr, String patternStr) {
  // 預(yù)定義一個(gè)ArrayList來存儲(chǔ)結(jié)果
  ArrayList<String> results = new ArrayList<String>();
  // 定義一個(gè)樣式模板，此中使用正則表達(dá)式，括號(hào)中是要抓的內(nèi)容
  Pattern pattern = Pattern.compile(patternStr);
  // 定義一個(gè)matcher用來做匹配
  Matcher matcher = pattern.matcher(targetStr);
  // 如果找到了
  boolean isFind = matcher.find();
  // 使用循環(huán)將句子里所有的kelvin找出并替換再將內(nèi)容加到sb里
  while (isFind) {
   //添加成功匹配的結(jié)果
   results.add(matcher.group(1));
   // 繼續(xù)查找下一個(gè)匹配對象
   isFind = matcher.find();
  }
  return results;
 }
 public static void main(String[] args) {
  // 定義即將訪問的鏈接
  String url = "  // 訪問鏈接并獲取頁面內(nèi)容
  String result = SendGet(url);
  // 使用正則匹配圖片的src內(nèi)容
  ArrayList<String> imgSrc = RegexString(result, "question_link.+?>(.+?)<");
  // 打印結(jié)果
  System.out.println(imgSrc);
 }
}

這樣就能匹配到所有的結(jié)果了（因?yàn)橹苯哟蛴×薃rrayList所以會(huì)有一些中括號(hào)和逗號(hào)）：

OK，這樣就算是完成了知乎爬蟲的第一步。

但是我們可以看出來，用這樣的方式是沒有辦法抓到所有的問題和回答的。

我們需要設(shè)計(jì)一個(gè)Zhihu封裝類，來存儲(chǔ)所有抓取到的對象。

Zhihu.java源碼：

import java.util.ArrayList;
public class Zhihu {
 public String question;// 問題
 public String zhihuUrl;// 網(wǎng)頁鏈接
 public ArrayList<String> answers;// 存儲(chǔ)所有回答的數(shù)組
 // 構(gòu)造方法初始化數(shù)據(jù)
 public Zhihu() {
  question = "";
  zhihuUrl = "";
  answers = new ArrayList<String>();
 }
 @Override
 public String toString() {
  return "問題：" + question + "\n鏈接：" + zhihuUrl + "\n回答：" + answers + "\n";
 }
}

再新建一個(gè)Spider類來存放一些爬蟲常用的函數(shù)。

Spider.java源碼：

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Spider {
 static String SendGet(String url) {
  // 定義一個(gè)字符串用來存儲(chǔ)網(wǎng)頁內(nèi)容
  String result = "";
  // 定義一個(gè)緩沖字符輸入流
  BufferedReader in = null;
  try {
   // 將string轉(zhuǎn)成url對象
   URL realUrl = new URL(url);
   // 初始化一個(gè)鏈接到那個(gè)url的連接
   URLConnection connection = realUrl.openConnection();
   // 開始實(shí)際的連接
   connection.connect();
   // 初始化 BufferedReader輸入流來讀取URL的響應(yīng)
   in = new BufferedReader(new InputStreamReader(
     connection.getInputStream(), "UTF-8"));
   // 用來臨時(shí)存儲(chǔ)抓取到的每一行的數(shù)據(jù)
   String line;
   while ((line = in.readLine()) != null) {
    // 遍歷抓取到的每一行并將其存儲(chǔ)到result里面
    result += line;
   }
  } catch (Exception e) {
   System.out.println("發(fā)送GET請求出現(xiàn)異常！" + e);
   e.printStackTrace();
  }
  // 使用finally來關(guān)閉輸入流
  finally {
   try {
    if (in != null) {
     in.close();
    }
   } catch (Exception e2) {
    e2.printStackTrace();
   }
  }
  return result;
 }
 static ArrayList<Zhihu> GetZhihu(String content) {
  // 預(yù)定義一個(gè)ArrayList來存儲(chǔ)結(jié)果
  ArrayList<Zhihu> results = new ArrayList<Zhihu>();
  // 用來匹配標(biāo)題
  Pattern questionPattern = Pattern.compile("question_link.+?>(.+?)<");
  Matcher questionMatcher = questionPattern.matcher(content);
  // 用來匹配url，也就是問題的鏈接
  Pattern urlPattern = Pattern.compile("question_link.+?href=\"(.+?)\"");
  Matcher urlMatcher = urlPattern.matcher(content);
  // 問題和鏈接要均能匹配到
  boolean isFind = questionMatcher.find() && urlMatcher.find();
  while (isFind) {
   // 定義一個(gè)知乎對象來存儲(chǔ)抓取到的信息
   Zhihu zhuhuTemp = new Zhihu();
   zhuhuTemp.question = questionMatcher.group(1);
   zhuhuTemp.zhihuUrl = "   // 添加成功匹配的結(jié)果
   results.add(zhuhuTemp);
   // 繼續(xù)查找下一個(gè)匹配對象
   isFind = questionMatcher.find() && urlMatcher.find();
  }
  return results;
 }
}

最后一個(gè)main方法負(fù)責(zé)調(diào)用。

import java.util.ArrayList;
public class Main {
 public static void main(String[] args) {
  // 定義即將訪問的鏈接
  String url = "  // 訪問鏈接并獲取頁面內(nèi)容
  String content = Spider.SendGet(url);
  // 獲取該頁面的所有的知乎對象
  ArrayList<Zhihu> myZhihu = Spider.GetZhihu(content);
  // 打印結(jié)果
  System.out.println(myZhihu);
 }
}

Ok這樣就算搞定了。運(yùn)行一下看看結(jié)果：