[Java]知乎下巴第2集：使用爬虫来获取知乎的编辑推荐内容

上一回我们拿百度做了测试，那么这一次开始做知乎下巴啦。

首先花个三五分钟设计一个Logo=。=作为一个程序员我一直有一颗做美工的心！

好吧做的有点小凑合，就先凑合着用咯。

接下来呢，我们开始制作知乎的爬虫。

首先，确定第一个目标：编辑推荐。

网页链接：

我们对上次的代码稍作修改，先实现能够获取该页面内容：

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 = "";// 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);}}运行一下木有问题，接下来就是一个正则匹配的问题了。

首先我们先来获取该页面的所有的问题。

右击标题，审查元素：

啊哈，可以看到标题其实是一个a标签，也就是一个超链接，而其中能够和其他超链接区分开的，应该就是那个class了，也就是类选择器。

于是我们的正则语句就出来了：question_link.+?href=\&;(.+?)\&;

调用RegexString函数，并给它传参：

public static void main(String[] args) {// 定义即将访问的链接String url = "";// 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);}

啊哈，可以看到我们成功抓到了一个标题（注意，只是一个）：

等一下啊这一大堆的乱七八糟的是什么玩意？！

别紧张=。=它只是字符乱码而已。

编码问题可以参见：HTML字符集

一般来说，对中文支持较好的主流编码是UTF-8，GB2312和GBK编码。

网页可以通过meta标签的charset来设置网页编码，譬如：

<meta charset="utf-8" />

我们右击，查看页面源代码：

可以看到，知乎采用的是UTF-8编码。

在这里和大家解释一下查看页面源代码和审查元素的区别。

查看页面源代码是显示整个页面的所有代码，没有按照HTML的标签进行排版，，相当于是直接查看源码，这种方式对于查看整个网页的信息，比如meta比较有用。

审查元素，或者有的浏览器叫查看元素，是针对你右击的元素进行查看，比如一个div或者img，比较适用于单独查看某个对象的属性和标签。

好的，我们现在知道了问题出在了编码上，接下来就是对抓取到的内容进行编码转换了。

在java中实现很简单，只需要在InputStreamReader里面指定编码方式就行：

// 初始化 BufferedReader输入流来读取URL的响应in = new BufferedReader(new InputStreamReader(connection.getInputStream(),"UTF-8"));

此时再运行程序，便会发现可以正常显示标题了：

宁愿停歇在你门前的那棵树上，看着你，守护你。