/zhihu-crawler

zhihu-crawler是一个基于Java的爬虫实战项目

Primary LanguageJavaApache License 2.0Apache-2.0

知乎爬虫

zhihu-crawler是一个基于Java的爬虫实战项目，主要功能是抓取知乎用户的基本资料，如果觉得不错，请给个star。

爬取结果

工程导入(maven)

  • git clone https://github.com/wycm/zhihu-crawler 克隆项目到本地
  • eclipse导入步骤(eclipse_kepler版本，自带maven)，File->Import->Maven->Existing Maven Projects->选择刚刚clone的zhihu-crawler目录->导入成功
  • idea导入步骤,File->Open->选择刚刚clone的zhihu-crawler目录->导入成功

工程导入(不使用maven)

  • eclipse或myeclipse都可以
  • git clone https://github.com/wycm/zhihu-crawler 克隆项目到本地
  • 创建一个名字为zhihu-new-crawler（这个随便命名）的普通工程
  • 拷贝刚刚clone的zhihu-crawler/src/main/java/com目录到zhihu-new-crawler/src目录下
  • 右键工程->Build Path->Add External Archives...->导入zhihu-crawler/lib下的所有jar包
  • 将zhihu-crawler/src/main/resources目录下的config.properties和log4j.properties拷贝至src目录下

Quick Start

Run with Main.java

使用到的API

  • 地址(url)：https://www.zhihu.com/api/v4/members/${userid}/followees
  • 请求类型：GET
  • 请求参数
参数名 类型 必填 值 说明
include String 是 data[*]answer_count,articles_count 需要返回的字段（这个值可以改根据需要增加一些字段，见如下示例url）
offset int 是 0 偏移量（通过调整这个值可以获取到一个用户的所有关注用户资料）
limit int 是 20 返回用户数（最大20，超过20无效）
  • url示例：https://www.zhihu.com/api/v4/members/wo-yan-chen-mo/followees?include=data[*].educations,employments,answer_count,business,locations,articles_count,follower_count,gender,following_count,question_count,voteup_count,thanked_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=0&limit=20
  • 响应：json数据，会有关注用户资料
  • 注意：这个请求采用了oauth验证，需要在http header加上authorization:oauth c3cef7c66a1843f8b3a9e6a1e3160e20,这个值是存放在js文件中，详细获取方式见代码。

使用到的三方库

  • HttpClient4.5-网络请求
  • Jsoup-html标签解析
  • JsonPath-json数据解析

Features

  • 大量使用http代理，突破同一个客户端访问量限制。
  • 支持持久化(mysql),相关配置见config.properties。
  • 多线程、爬取速度快。

持久化配置

  • 如果要持久化数据到mysql，先手动创建数据库，然后修改配置文件config.properties的如下属性。
  • db.enable = true
  • db.host =ip地址
  • db.username = 用户名
  • db.password = 密码
  • db.name = 数据库名

流程图

更新

2016.12.26

  • 移除未使用的包，修复ConcurrentModificationException和NoSuchElementException异常问题。
  • 增加游客（免登录）模式抓取。
  • 增加代理抓取模块。

2017.01.10

  • 不再采用登录抓取，并移除登录抓取相关模块，模拟登录的主要逻辑代码见ModelLogin.java。
  • 优化项目结构，加快爬取速度。采用ListPageThreadPool和DetailPageThreadPool两个线程池。ListPageThreadPool负责下载”关注用户“列表页，解析出关注用户，将关注用户的url去重，然后放到DetailPageThreadPool线程池。 DetailPageThreadPool负责下载用户详情页面，解析出用户基本信息并入库，获取该用户的"关注用户"的列表页url并放到ListPageThreadPool。

2017.01.17

  • 增加代理序列化。
  • 调整项目结构，大幅度提高爬取速度。不再使用ListPageThreadPool和DetailPageThreadPool的方式。直接下载关注列表页，可以直接获取到用户详细资料。

2017.03.30

  • 知乎api变更，关注列表页不能获取到关注人数，导致线程池任务不能持续下去。抓取模式切换成原来ListPageThreadPool和DetailPageThreadPool的方式。

2017.05.26

  • 修复代理返回错误数据，导致java.lang.reflect.UndeclaredThrowableException异常。

2017.11.05

  • 知乎authorization文件更新，修改authorization获取方式。

TODO

  • 优化爬取速度

最后

  • 想要爬取其它数据，如问题、答案等，完全可以在此基础上自己定制。
  • 有问题的请提issue。
  • 欢迎贡献代码。
  • 爬虫交流群：633925314，欢迎交流。
  • 需要数据(117w知乎用户基本信息资料)的，关注公众号即可：lwndso