使用httpclient4.4爬取知乎答案
2016-04-12 14:37
351 查看
因为项目需要,在知乎上爬取一些社会热点话题的一些相关资料,在爬取问题答案的时候
发现所有问题答案都是在同一个页面加载的,而且没有页数提示,每次都需要点击更多,来加载后面的答案,使用开发者工具查看,发现返回的文件中有一个questionAnswerListV2,而我们所要爬取的答案就在这个地址返回的数据里面
我们可以看到发送请求的url每次都是https://www.zhihu.com/node/QuestionAnswerListV2,直接访问网页将返回404状态码,因为请求网页的方式是post,因此,我们往下拉可以看到我们在点击的时候,发送的数据是
这里面就包含了我们每次点击加载更多的时候所返回的数据,因此,我们只需要在发送post请求的时候将参数带问题的id,每一次加载的数目pagesize和控制页数的offset以及method=next加上去即可获得返回的数据,在这里我用了httpclient4.4来实现这个过程,下面是我的实现代码,代码不难:
注意,我们要将引号进行转义,不然我们将无法发送正确的请求,获取不到我们所需要的数据。我们获取到的是unicode格式的字符,还要对它进行转格式。最后就可以获取到所需要的数据啦~
发现所有问题答案都是在同一个页面加载的,而且没有页数提示,每次都需要点击更多,来加载后面的答案,使用开发者工具查看,发现返回的文件中有一个questionAnswerListV2,而我们所要爬取的答案就在这个地址返回的数据里面
我们可以看到发送请求的url每次都是https://www.zhihu.com/node/QuestionAnswerListV2,直接访问网页将返回404状态码,因为请求网页的方式是post,因此,我们往下拉可以看到我们在点击的时候,发送的数据是
这里面就包含了我们每次点击加载更多的时候所返回的数据,因此,我们只需要在发送post请求的时候将参数带问题的id,每一次加载的数目pagesize和控制页数的offset以及method=next加上去即可获得返回的数据,在这里我用了httpclient4.4来实现这个过程,下面是我的实现代码,代码不难:
public static void main(String[] args) throws ClientProtocolException, IOException { RequestConfig requestConfig = RequestConfig.custom().setCookieSpec(CookieSpecs.STANDARD_STRICT).build(); CloseableHttpClient httpClient = HttpClients.custom().setDefaultRequestConfig(requestConfig).build(); HttpPost post = new HttpPost("https://www.zhihu.com/node/QuestionAnswerListV2?method=next¶ms=%7B%22url_token%22%3A41504353%2C%22pagesize%22%3A20%2C%22offset%22%3A"+page*20+"%7D"); HttpResponse httpResponse = httpClient.execute(post); HttpEntity he = httpResponse.getEntity(); if (he != null) { String responseString = EntityUtils.toString(he); // System.out.println("response length:" + responseString.length()); System.out.println(UTF8(responseString)); } }
注意,我们要将引号进行转义,不然我们将无法发送正确的请求,获取不到我们所需要的数据。我们获取到的是unicode格式的字符,还要对它进行转格式。最后就可以获取到所需要的数据啦~
相关文章推荐
- Python3写爬虫(四)多线程实现数据爬取
- Scrapy的架构介绍
- 爬虫笔记
- 基于C#实现网页爬虫
- Nodejs爬虫进阶教程之异步并发控制
- PHP+HTML+JavaScript+Css实现简单爬虫开发
- 如何优雅地使用c语言编写爬虫
- PHP实现简单爬虫的方法
- NodeJS制作爬虫全过程(续)
- php实现简单爬虫的开发
- node.js基础模块http、网页分析工具cherrio实现爬虫
- PHP爬虫之百万级别知乎用户数据爬取与分析
- 一个PHP实现的轻量级简单爬虫
- nodejs爬虫抓取数据乱码问题总结
- 基于Node.js的强大爬虫 能直接发布抓取的文章哦
- nodeJs爬虫获取数据简单实现代码
- nodejs爬虫抓取数据之编码问题
- Node.js编写爬虫的基本思路及抓取百度图片的实例分享
- python实现爬虫统计学校BBS男女比例(一)
- 使用Python编写基于DHT协议的BT资源爬虫