[Java]知乎下巴第3集：来人啊快把知乎的答案装到篮子里去

上次我们已经能把知乎的问题抓出来了，但是答案还木有抓出来。

这一回合，我们就连着把答案也一起从网站中抠出来=。=

前期我们抓取标题是在该链接下：

http://www.zhihu.com/explore/recommendations

但是显然这个页面是无法获取答案的。

一个完整问题的页面应该是这样的链接：

http://www.zhihu.com/question/22355264

仔细一看，啊哈我们的封装类还需要进一步包装下，至少需要个questionDescription来存储问题描述：

import java.util.ArrayList;public class Zhihu {public String question;// 问题public String questionDescription;// 问题描述public String zhihuUrl;// 网页链接public ArrayList<String> answers;// 存储所有回答的数组// 构造方法初始化数据public Zhihu() {question = "";questionDescription = "";zhihuUrl = "";answers = new ArrayList<String>();}@Overridepublic String toString() {return "问题：" + question + "\n" + "描述：" + questionDescription + "\n"+ "链接：" + zhihuUrl + "\n回答：" + answers + "\n";}}

我们给知乎的构造函数加上一个参数，用来设定url值，因为url确定了，这个问题的描述和答案也就都能抓到了。

我们将Spider的获取知乎对象的方法改一下，只获取url即可：

static ArrayList<Zhihu> GetZhihu(String content) {// 预定义一个ArrayList来存储结果ArrayList<Zhihu> results = new ArrayList<Zhihu>();// 用来匹配url，也就是问题的链接Pattern urlPattern = Pattern.compile("<h2>.+?question_link.+?href=\"(.+?)\".+?</h2>");Matcher urlMatcher = urlPattern.matcher(content);// 是否存在匹配成功的对象boolean isFind = urlMatcher.find();while (isFind) {// 定义一个知乎对象来存储抓取到的信息Zhihu zhihuTemp = new Zhihu(urlMatcher.group(1));// 添加成功匹配的结果results.add(zhihuTemp);// 继续查找下一个匹配对象isFind = urlMatcher.find();}return results;}

接下来，就是在Zhihu的构造方法里面，通过url获取所有的详细数据。

我们先要对url进行一个处理，因为有的针对回答的，它的url是：

http://www.zhihu.com/question/22355264/answer/21102139

有的针对问题的，它的url是：

http://www.zhihu.com/question/22355264

那么我们显然需要的是第二种，所以需要用正则把第一种链接裁切成第二种，这个在Zhihu中写个函数即可。

// 处理urlboolean getRealUrl(String url) {// 将http://www.zhihu.com/question/22355264/answer/21102139// 转化成http://www.zhihu.com/question/22355264// 否则不变Pattern pattern = Pattern.compile("question/(.*?)/");Matcher matcher = pattern.matcher(url);if (matcher.find()) {zhihuUrl = "http://www.zhihu.com/question/" + matcher.group(1);} else {return false;}return true;}

接下来就是各个部分的获取工作了。

先看下标题：

正则把握住那个class即可，正则语句可以写成：zm-editable-content\">(.+?)<

运行下看看结果：

哎哟不错哦。

接下来抓取问题描述：

啊哈一样的原理，抓住class，因为它应该是这个的唯一标识。

验证方法：右击查看页面源代码，ctrl+F看看页面中有没有其他的这个字符串。

后来经过验证，还真出了问题：

标题和描述内容前面的class是一样的。

那只能通过修改正则的方式来重新抓取：

// 匹配标题pattern = Pattern.compile("zh-question-title.+?<h2.+?>(.+?)</h2>");matcher = pattern.matcher(content);if (matcher.find()) {question = matcher.group(1);}// 匹配描述pattern = Pattern.compile("zh-question-detail.+?<div.+?>(.*?)</div>");matcher = pattern.matcher(content);if (matcher.find()) {questionDescription = matcher.group(1);}

最后就是循环抓取答案了：

初步暂定正则语句：/answer/content.+?<div.+?>(.*?)</div>

改下代码之后我们会发现软件运行的速度明显变慢了，因为他需要访问每个网页并且把上面的内容抓下来。

比如说编辑推荐有20个问题，那么就需要访问网页20次，速度也就慢下来了。

试验一下，看上去效果不错：

OK，那就先这样好了~下次继续进行一些细节的调整，比如多线程，IO流写入本地等等。

附项目源码：

Zhihu.java

import java.util.ArrayList;import java.util.regex.Matcher;import java.util.regex.Pattern;public class Zhihu {public String question;// 问题public String questionDescription;// 问题描述public String zhihuUrl;// 网页链接public ArrayList<String> answers;// 存储所有回答的数组// 构造方法初始化数据public Zhihu(String url) {// 初始化属性question = "";questionDescription = "";zhihuUrl = "";answers = new ArrayList<String>();// 判断url是否合法if (getRealUrl(url)) {System.out.println("正在抓取" + zhihuUrl);// 根据url获取该问答的细节String content = Spider.SendGet(zhihuUrl);Pattern pattern;Matcher matcher;// 匹配标题pattern = Pattern.compile("zh-question-title.+?<h2.+?>(.+?)</h2>");matcher = pattern.matcher(content);if (matcher.find()) {question = matcher.group(1);}// 匹配描述pattern = Pattern.compile("zh-question-detail.+?<div.+?>(.*?)</div>");matcher = pattern.matcher(content);if (matcher.find()) {questionDescription = matcher.group(1);}// 匹配答案pattern = Pattern.compile("/answer/content.+?<div.+?>(.*?)</div>");matcher = pattern.matcher(content);boolean isFind = matcher.find();while (isFind) {answers.add(matcher.group(1));isFind = matcher.find();}}}// 根据自己的url抓取自己的问题和描述和答案public boolean getAll() {return true;}// 处理urlboolean getRealUrl(String url) {// 将http://www.zhihu.com/question/22355264/answer/21102139// 转化成http://www.zhihu.com/question/22355264// 否则不变Pattern pattern = Pattern.compile("question/(.*?)/");Matcher matcher = pattern.matcher(url);if (matcher.find()) {zhihuUrl = "http://www.zhihu.com/question/" + matcher.group(1);} else {return false;}return true;}@Overridepublic String toString() {return "问题：" + question + "\n" + "描述：" + questionDescription + "\n"+ "链接：" + zhihuUrl + "\n回答：" + answers.size() + "\n";}}

Spider.java

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) {// 定义一个字符串用来存储网页内容String result = "";// 定义一个缓冲字符输入流BufferedReader in = null;try {// 将string转成url对象URL realUrl = new URL(url);// 初始化一个链接到那个url的连接URLConnection connection = realUrl.openConnection();// 开始实际的连接connection.connect();// 初始化 BufferedReader输入流来读取URL的响应in = new BufferedReader(new InputStreamReader(connection.getInputStream(), "UTF-8"));// 用来临时存储抓取到的每一行的数据String line;while ((line = in.readLine()) != null) {// 遍历抓取到的每一行并将其存储到result里面result += line;}} catch (Exception e) {System.out.println("发送GET请求出现异常！" + e);e.printStackTrace();}// 使用finally来关闭输入流finally {try {if (in != null) {in.close();}} catch (Exception e2) {e2.printStackTrace();}}return result;}// 获取所有的编辑推荐的知乎内容static ArrayList<Zhihu> GetRecommendations(String content) {// 预定义一个ArrayList来存储结果ArrayList<Zhihu> results = new ArrayList<Zhihu>();// 用来匹配url，也就是问题的链接Pattern pattern = Pattern.compile("<h2>.+?question_link.+?href=\"(.+?)\".+?</h2>");Matcher matcher = pattern.matcher(content);// 是否存在匹配成功的对象Boolean isFind = matcher.find();while (isFind) {// 定义一个知乎对象来存储抓取到的信息Zhihu zhihuTemp = new Zhihu(matcher.group(1));// 添加成功匹配的结果results.add(zhihuTemp);// 继续查找下一个匹配对象isFind = matcher.find();}return results;}}

Main.java

import java.util.ArrayList;public class Main {public static void main(String[] args) {// 定义即将访问的链接String url = "http://www.zhihu.com/explore/recommendations";// 访问链接并获取页面内容String content = Spider.SendGet(url);// 获取编辑推荐ArrayList<Zhihu> myZhihu = Spider.GetRecommendations(content);// 打印结果System.out.println(myZhihu);}}

好的，今天就是这样，晚安。