Java Zhihu クローラーを最初から作成して、Zhihu エディターが推奨するコンテンツを取得する

まず、ロゴのデザインに 3 ～ 5 分を費やします =。 =プログラマーとして、私はずっとアーティストになりたいと思っていました。

まあ、作るにはちょっと小さいので、とりあえずこれで間に合わせます。

次に、Zhihu のクローラーの作成を開始します。

まず、最初の目標である編集者の推薦を決定します。

ウェブページのリンク: http://www.zhihu.com/explore/recommendations

最後のコードを少し変更し、最初にページのコンテンツを取得する機能を実装しました:

import java.io.*;
import java.net.*;
import java.util.regex.*;
public class Main {
 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()));
   // 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;
 }
 static String RegexString(String targetStr, String patternStr) {
  // 定义一个样式模板，此中使用正则表达式，括号中是要抓的内容
  // 相当于埋好了陷阱匹配的地方就会掉下去
  Pattern pattern = Pattern.compile(patternStr);
  // 定义一个matcher用来做匹配
  Matcher matcher = pattern.matcher(targetStr);
  // 如果找到了
  if (matcher.find()) {
   // 打印出结果
   return matcher.group(1);
  }
  return "Nothing";
 }
 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 result = SendGet(url);
  // 使用正则匹配图片的src内容
  //String imgSrc = RegexString(result, "src=\"(.+?)\"");
  // 打印结果
  System.out.println(result);
 }
}

次の場合は問題ありません。それを実行すると、次のステップは通常のマッチング問題です。

まず、このページですべての質問を集めましょう。

タイトルを右クリックして要素を調べます:

ああ、タイトルが実際にはハイパーリンクである a タグであることがわかります。他のハイパーリンクと区別できるのはクラスであるはずですつまり、クラスセレクターです。

それで、通常のステートメントが出力されます: question_link.+?href="(.+?)"

RegexString 関数を呼び出してパラメータを渡します:

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 result = SendGet(url);
  // 使用正则匹配图片的src内容
  String imgSrc = RegexString(result, "question_link.+?>(.+?)<");
  // 打印结果
  System.out.println(imgSrc);
 }

ああ、タイトルを 1 つキャッチできたことがわかります (注、 1 つだけです):

ちょっと待って、この混乱は何ですか? ！

緊張しないでください=。 =ただの文字化けです。

エンコーディングの問題については、次を参照してください: HTML 文字セット

一般的に、中国語のサポートが強化されている主流のエンコーディングは、UTF-8、GB2312、GBK エンコーディングです。

上記は、Zhihu 編集者が推奨するコンテンツを取得するために、基礎ゼロで Java Zhihu クローラーを作成する内容です。その他の関連コンテンツについては、PHP 中国語 Web サイト (www.php.cn) に注目してください。