知乎爬蟲之4:抓取頁面數據

git爬蟲項目地址( 終於上傳代碼了~~~~關注和star在哪裏):https://github.com/MatrixSeven/ZhihuSpider（已完結）

附贈以前爬取的數據一份(mysql): 連接:https://github.com/MatrixSeven/ZhihuSpider/README.MD 只下載不點贊，不star，差評差評~藍瘦香菇）

本文由博主原創,轉載請註明出處：知乎爬蟲之4:抓取頁面數據

我們上一篇分析了知乎的登錄請求和如何拿到粉絲/關注的請求，那麼我們這篇就來研究下如何拿利用Jsoup到我們想要的數據。
那麼我們說下，首先請求關注者和粉絲者是pcweb版本的，可是獲取頁面的是手機頁面的。
好，正題:

1.什麼是Jsoup

jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套很是省力的API，可經過DOM，CSS以及相似於jQuery的操做方法來取出和操做數據。

2. HttpClient請求模擬

HttpClient 是 Apache Jakarta Common 下的子項目，能夠用來提供高效的、最新的、功能豐富的支持 HTTP 協議的客戶端編程工具包，而且它支持 HTTP 協議最新的版本和建議。

3.走起頁面

首先模擬手機瀏覽器的UA。就是讓我們打開的頁面返回的是移動端的頁面效果，那麼最應該怎麼怎麼作呢？其實服務器斷定你是ie仍是chrome仍是firefox是根據請求頭裏面的UA實現的，所以我們要找一個手機瀏覽器的UA。。
我們能夠某度一下或者直接在瀏覽器裏面直接f12,模擬移動端，而後看請求參數：

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

妥妥的沒問題：

那我們如何將這句體現到程序裏面呢？
簡單，在我們拿到get對象後直接設置：

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，而後我們就能夠用jsoup來拿我們想要的元素了，jsoup的語法和jq一模一樣。
我們直接對着頁面，右擊我們想要的元素，選擇審查元素，而後用jq的選擇器選出來就行了。
能夠參考jQuery 選擇器

4.拿到關注者

直接get我們以前分析的請求地址

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

不過要記得替換用戶名字和在請求頭裏加入cookie的最後一段zc_0
而後請求數據返回的是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": "陳曉峯",
      "url": "",
      "type": "people",
      "user_type": "people",
      "answer_count": 0,
      "url_token": "chen-xiao-feng-84",
      "headline": "阿里巴巴，分佈式數據庫，",
      "avatar_url": "https://pic1.zhimg.com/da8e974dc_is.jpg",
      "is_following": false,
      "is_org": false,
      "follower_count": 14,
      "badge": [],
      "id": "ff02ea0544901a9ddfcb7ba60c73b673",
      "articles_count": 0
    }
  ]
}

這個數據包括了下次請求地址，上次請求地址，時候是開始，時候是結束，共有多少粉絲，關注人基本信息，
所以我們能夠在一個while裏來得到全部粉絲數：
流程：

1. 第一次獲取數據
2. 獲取is_end字段
3. 判斷is_end時候爲true
4. 根據is_end判斷是否繼續循環
5. 若是循環，更新is_end，更新下次請求鏈接

一套下來，就能拿到一個用戶的全部粉絲了。

吾愛Java(QQ羣):170936712（點擊加入）