知乎爬虫之4:抓取页面数据

git爬虫项目地址( 终于上传代码了~~~~关注和star在哪里):https://github.com/MatrixSeven/ZhihuSpider（已完结）

附赠以前爬取的数据一份(mysql): 连接:https://github.com/MatrixSeven/ZhihuSpider/README.MD 只下载不点赞，不star，差评差评~蓝瘦香菇）

本文由博主原创,转载请注明出处：知乎爬虫之4:抓取页面数据

我们上一篇分析了知乎的登录请求和如何拿到粉丝/关注的请求，那么我们这篇就来研究下如何拿利用Jsoup到我们想要的数据。
那么我们说下，首先请求关注者和粉丝者是pcweb版本的，可是获取页面的是手机页面的。
好，正题:

1.什么是Jsoup

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套很是省力的API，可经过DOM，CSS以及相似于jQuery的操做方法来取出和操做数据。

2. HttpClient请求模拟

HttpClient 是 Apache Jakarta Common 下的子项目，能够用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，而且它支持 HTTP 协议最新的版本和建议。

3.走起页面

首先模拟手机浏览器的UA。就是让我们打开的页面返回的是移动端的页面效果，那么最应该怎么怎么作呢？其实服务器断定你是ie仍是chrome仍是firefox是根据请求头里面的UA实现的，所以我们要找一个手机浏览器的UA。。
我们能够某度一下或者直接在浏览器里面直接f12,模拟移动端，而后看请求参数：

User-Agent:Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36

妥妥的没问题：

那我们如何将这句体现到程序里面呢？
简单，在我们拿到get对象后直接设置：

httpGet.setHeader("User-Agent", "Mozilla/5.0 
        (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 
        (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36");

就ok了，而后我们就能够用jsoup来拿我们想要的元素了，jsoup的语法和jq一模一样。
我们直接对着页面，右击我们想要的元素，选择审查元素，而后用jq的选择器选出来就行了。
能够参考jQuery 选择器

4.拿到关注者

直接get我们以前分析的请求地址

https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&
include=data%5B%2A%5D.employments%2Ccover_url%2Callow_message%2Canswer_coun
t%2Carticles_count%2Cfavorite_count%2Cfollower_count%2Cgender%2Cis_followe
d%2Cmessage_thread_token%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer
%29%5D.topics&limit=10&offset=30

不过要记得替换用户名字和在请求头里加入cookie的最后一段zc_0
而后请求数据返回的是json

{
  "paging": {
    "is_end": false,
    "next": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=20",
    "previous": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=0",
    "is_start": false,
    "totals": 398
  },
  "data": [
    {
      "is_followed": true,
      "avatar_url_template": "https://pic1.zhimg.com/da8e974dc_{size}.jpg",
      "name": "陈晓峰",
      "url": "",
      "type": "people",
      "user_type": "people",
      "answer_count": 0,
      "url_token": "chen-xiao-feng-84",
      "headline": "阿里巴巴，分布式数据库，",
      "avatar_url": "https://pic1.zhimg.com/da8e974dc_is.jpg",
      "is_following": false,
      "is_org": false,
      "follower_count": 14,
      "badge": [],
      "id": "ff02ea0544901a9ddfcb7ba60c73b673",
      "articles_count": 0
    }
  ]
}

这个数据包括了下次请求地址，上次请求地址，时候是开始，时候是结束，共有多少粉丝，关注人基本信息，
所以我们能够在一个while里来得到全部粉丝数：
流程：

1. 第一次获取数据
2. 获取is_end字段
3. 判断is_end时候为true
4. 根据is_end判断是否继续循环
5. 若是循环，更新is_end，更新下次请求链接

一套下来，就能拿到一个用户的全部粉丝了。

吾爱Java(QQ群):170936712（点击加入）