作者:耗子很傻爱钻洞 | 来源:互联网 | 2023-10-11 15:45
摘要从零实现一个高性能网络爬虫系列教程第一篇,后续会有关于url去重、如何反爬虫、如何提高抓取效率、分布式爬虫系列文章。以我写的一个知乎爬虫为Demo讲解,github地址(https:gith
摘要
从零实现一个高性能网络爬虫系列教程第一篇,后续会有关于url去重、如何反爬虫、如何提高抓取效率、分布式爬虫系列文章。
以我写的一个知乎爬虫为Demo讲解,github地址 (https://github.com/wycm/zhihu-crawler) ,有兴趣的朋友可以star下。
网络请求的分析是写网络爬虫非常关键且重要的一个步骤。这篇文章以知乎网站为例,从网络请求分析到代码(java)实现。
目的
获取某个知乎用户的所有关注用户的个人资料
请求分析
- 就目前的大部分网页来说,网页上能看到的数据大多都是直接在网站后台生成好数据(有的网页是在网站前端通过js代码处理后显示,如数据混淆、加密等)直接在前台显示。
- 虽然很多网站采用了ajax异步加载,但是归根结底它还是一个http请求。只要能够分析出对应数据的请求来源,那么就很容易的拿到你想要的数据了。以下步骤讲解如何分析http请求。
- 以我的知乎账户为例,获取我的所有关注用户资料。首先打开我的关注列表,可以看到主面板就是我的关注用户列表,
我一共关注233个用户,现在目的是就是要获取这233个用户的个人资料信息。打开F12->NetWork,勾选上Preserve log和Disable cache(如下图)。
- 下拉滚动条,点击下一页获取对应请求(在翻页的过程会有很多无关的请求),待页面加载完成后,在请求列表中右键->Save as HAR with content,这个文件是把当前请求(request)列表保存为
json格式文本,保存后使用chrome打开这个文件,搜索(Ctrl+F)页面出现的关键字,要注意这里中文采用了unicode编码,我这里直接搜索5032(李博杰的关注者数,见下图)。这一步骤的目的是获取我们想要数据(关注用户的个人资料)的请求来源。
- 由步骤2搜索得出,关注用户的资料数据来自以下请求(如下图),url解码后为
https://www.zhihu.com/api/v4/members/wo-yan-chen-mo/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=20&limit=20
(url1),从这里可以看出关注列表的数据并不是从(url2)同步加载而来的,而是直接通过ajax异步请求url1来获得关注用户数据,然后通过js代码填充数据。这里要注意用红色矩形圈住的authorization
request header,在代码实现的时候必须加上这个header。这个数据并不是动态改变的,通过步骤2的方式可以发现它是来自一个js文件。该步骤注意的是,我写该文章的时候是2017-04-27,随着时间推移,知乎可能会更新相关api接口的url,也就是说通过步骤2得出的url有可能并不是我上面的url1,但是具体分析的方法还是通用的。
- 多测试几次可以得出以上url1的参数含义如下
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) |
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) |
- 关于如何测试请求,我常用的以下三种方式
- 原生chrome浏览器。可以做一些简单的GET请求测试,这种方式有很大的局限性,不能编辑http header。如果直接(未登录知乎)通过浏览器访问url1,会得到401的response code。因为它没有带上
authorization
request header。所以这种方式能测试一些简单且没有特殊request header的GET请求。
- chrome插件Postman。一个很强大的http请求测试工具,可以直接编辑request header(包括COOKIEs)。如果可以FQ的话,强烈推荐。GET、POST、PUT等都是支持的,几乎可以发送任意类型的http请求,测试的url1如下图。通过修改它参数的值,来看服务器响应数据的变化来确定参数含义
- intellij idea ultimate版自带的工具。打开方式 Tools->Test RESTful Web Service。也是可以直接编辑http header(包括COOKIEs)请求发送,GET、POST、PUT等请求方式也都是支持的。
- response是一段json格式的数据,中文是采用的unicode编码,解码后数据内容如下图。
代码实现
- 代码采用的Java HttpClient4.x,关于HttpClient4.x的使用我这里不过多讲解,要注意的是HttpClient4.x和3.x API有很大的差异。
1 package com.cnblogs.wycm;
2
3 import com.alibaba.fastjson.JSON;
4 import com.alibaba.fastjson.JSONObject;
5 import org.apache.http.client.methods.CloseableHttpResponse;
6 import org.apache.http.client.methods.HttpGet;
7 import org.apache.http.impl.client.CloseableHttpClient;
8 import org.apache.http.impl.client.HttpClients;
9 import org.apache.http.util.EntityUtils;
10
11 import java.io.IOException;
12
13 /**
14 * 获取wo-yan-chen-mo关注的所有知乎用户信息
15 * 只是把用户资料打印出来,没有具体解析(关于解析出详细数据可以采用正则表达式、json库、jsonpath等方式)
16 */
17 public class Demo {
18 public static void main(String[] args) throws IOException {
19 //创建http客户端
20 CloseableHttpClient httpClient = HttpClients.createDefault();
21
22 String url = "https://www.zhihu.com/api/v4/members/wo-yan-chen-mo/followees?include=data%5B*%5D.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics&offset=0&limit=20";
23
24 //创建http request(GET)
25 HttpGet request = new HttpGet(url);
26
27 //设置http request header
28 request.setHeader("authorization", "oauth c3cef7c66a1843f8b3a9e6a1e3160e20");
29 //执行http请求
30 CloseableHttpResponse respOnse= httpClient.execute(request);
31 //打印response
32 String respOnseStr= EntityUtils.toString(response.getEntity());
33 System.out.println(responseStr);
34
35 String nextPageUrl = getNextPageUrl(responseStr);
36 boolean isEnd = getIsEnd(responseStr);
37
38 while (!isEnd && nextPageUrl != null){
39 //创建http request(GET)
40 request = new HttpGet(nextPageUrl);
41
42 //设置http request header
43 request.setHeader("authorization", "oauth c3cef7c66a1843f8b3a9e6a1e3160e20");
44 respOnse= httpClient.execute(request);
45 //打印response
46 respOnseStr= EntityUtils.toString(response.getEntity());
47 System.out.println(responseStr);
48 nextPageUrl = getNextPageUrl(responseStr);
49 isEnd = getIsEnd(responseStr);
50 }
51 }
52
53 /**
54 * 获取next url
55 * @param responseStr
56 * @return
57 */
58 private static String getNextPageUrl(String responseStr){
59 JSONObject jsOnObject= (JSONObject) JSON.parse(responseStr);
60 jsOnObject= (JSONObject) jsonObject.get("paging");
61 return jsonObject.get("next").toString();
62 }
63
64 /**
65 * 获取is_end
66 * @param responseStr
67 * @return
68 */
69 private static boolean getIsEnd(String responseStr){
70 JSONObject jsOnObject= (JSONObject) JSON.parse(responseStr);
71 jsOnObject= (JSONObject) jsonObject.get("paging");
72 return (boolean) jsonObject.get("is_end");
73 }
74 }
1 <dependency>
2 <groupId>org.apache.httpcomponentsgroupId>
3 <artifactId>httpclientartifactId>
4 <version>4.5version>
5 dependency>
6
7
8 <dependency>
9 <groupId>com.alibabagroupId>
10 <artifactId>fastjsonartifactId>
11 <version>1.2.31version>
12 dependency>