我用java爬了一下CSDN，发现了这些秘密。。。

大家好，我是大尧。

今天我们使用Java语言写一个爬虫，用来爬取csdn首页推荐博客的博主，看看这些博主有多少人在写微信公众号。

一、爬虫原理

爬虫就是去请求某个url，然后将响应的页面进行解析，将解析到的数据保存，同时解析出当前页面的url，继续进行爬取，一直循环下去，爬取当前网站的内容。

二、分析CSDN页面数据

因为我们的目标很明确，就是去分析首页推荐博客博主写微信公众号的比例，因此我们只需要找到我们需要的数据进行保存即可，不需要爬取网站的全部数据。

2.1 找到CSDN首页的博客链接

• 在浏览器输入csdn首页链接https://www.csdn.net/，

• 找到我们爬取的目标，如下图所示

• 使用f12查看目标元素

根据目标元素，我们可以提取两个关键元素，其一是目标链接在中，其二是博客地址的格式为https://blog.csdn.net/ "用户名" /article/details/ "文章标识"（记住这个博客地址，后面有用）。

2.2 提取设置了公众号信息的博主

在文章详情页面有博主相关的信息，csdn博客左侧有一块是博主用来自定义信息的，如下图：

还是一样，f12来查看DOM元素，发这一块内容在id=asideCustom的

中。

2.3 爬取思路

1. 通过爬取首页，解析出所有a标签

2. 筛选a标签，根据博客地址格式，匹配到所有的博客地址

3. 爬取博客地址，解析id=asideCustom的

4. 如果第3步可以解析出来，则说明该博主设置了自定义信息

三、编写爬虫

根据上面的分析我们需要两个工具包，一个是httpclient用于网络请求，另一个是用来解析DOM元素的jsoup。

<dependency>
    <groupId>org.apache.httpcomponentsgroupId>
    <artifactId>httpclientartifactId>
    <version>4.5.10version>
dependency>


<dependency>
    <groupId>org.jsoupgroupId>
    <artifactId>jsoupartifactId>
    <version>1.10.1version>
dependency>
网络调用伪代码

public static ArrayList HttpUtil(HashSet urls){
    CloseableHttpClient httpClient = HttpClients.createDefault();
    CloseableHttpResponse response = null;
    ArrayList list = new ArrayList<>();
    try {
        for(String url : urls){
            HttpGet request = new HttpGet(url);
            response = httpClient.execute(request);

            //判断响应状态为200，请求成功，进行处理
            if(response.getStatusLine().getStatusCode() == 200) {
                HttpEntity httpEntity = response.getEntity();
                String html = EntityUtils.toString(httpEntity, "utf-8");
                Document document = Jsoup.parse(html);
                list.add(document);
            } else {
                System.out.println("返回状态不是200");
            }
        }
    } catch (ClientProtocolException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    } finally {
        HttpClientUtils.closeQuietly(response);
        HttpClientUtils.closeQuietly(httpClient);
    }
    return list;
}
调用及解析伪代码

public static void main(String[] args) {

    // 标记有多少博主设置了自定义信息
    int i = 0;
    // 首页url
    HashSet url = new HashSet<>();
    // 文章urls
    HashSet articleUrls = new HashSet<>();
    url.add("https://www.csdn.net/");
    // 爬取csdn首页
    ArrayList list = HttpUtil(url);
    // 选择a标签
    for(Document document : list){
        Elements a = document.select("a");
        for(Element element : a){
            // 获取a中的url
            //  
            String href = element.attr("href");
            // 筛选博客地址
            if(href.contains("article/details")){
                articleUrls.add(href);
            }
        }
    }
    ArrayList list2 = HttpUtil(articleUrls);
    for(Document document : list2){
        Element asideCustom = document.getElementById("asideCustom");
        if(asideCustom != null){
            i ;
        }
    }
    // 输出爬取的文章数量 和 设置了自定义信息的博主数量
    System.out.println("爬取的文章数量=" articleUrls.size() "\n" "写公众号的博主数量=" i);
}
控制台输出信息

爬取的文章数量=25
写公众号的博主数量=5


四、结尾

从上面的结果中可以看出，在25篇博客中，就有五个博主在写公众号。但是，这个数据并不能说明csdn的1/5博主就在更新自己的公众号。

1. csdn首页推荐数据是分页拉取的，爬虫只能爬取到第一页的数据，也就是25条
2. 有些博主虽然设置了自定义信息，但是并不是公众号
3. 有些博主虽然没有设置自定义信息，但是在简介或者其他地方留了公众号名称

不过这些都没关系，本文的重点是使用java语言写个爬虫程序，来爬取目标数据。