5 java爬虫新手教程 零基础写Java知乎爬虫之将抓取的内容存储到本地

http://www.jb51.net/article/57206.htm

说到Java的本地存储,肯定使用IO流进行操作。
首先,我们需要一个创建文件的函数createNewFile:

 

复制代码代码如下:
public static boolean createNewFile(String filePath) {
boolean isSuccess = true;
// 如有则将”\\”转为”/”,没有则不产生任何变化
String filePathTurn = filePath.replaceAll(“\\\\“, “/”);
// 先过滤掉文件名
int index = filePathTurn.lastIndexOf(“/”);
String dir = filePathTurn.substring(0, index);
// 再创建文件夹
File fileDir = new File(dir);
isSuccess = fileDir.mkdirs();
// 创建文件
File file = new File(filePathTurn);
try {
isSuccess = file.createNewFile();
} catch (IOException e) {
isSuccess = false;
e.printStackTrace();
}
return isSuccess;
}

 

然后,我们需要一个写入文件的函数:

 

复制代码代码如下:
public static boolean writeIntoFile(String content, String filePath,
boolean isAppend) {
boolean isSuccess = true;
// 先过滤掉文件名
int index = filePath.lastIndexOf(“/”);
String dir = filePath.substring(0, index);
// 创建除文件的路径
File fileDir = new File(dir);
fileDir.mkdirs();
// 再创建路径下的文件
File file = null;
try {
file = new File(filePath);
file.createNewFile();
} catch (IOException e) {
isSuccess = false;
e.printStackTrace();
}
// 写入文件
FileWriter fileWriter = null;
try {
fileWriter = new FileWriter(file, isAppend);
fileWriter.write(content);
fileWriter.flush();
} catch (IOException e) {
isSuccess = false;
e.printStackTrace();
} finally {
try {
if (fileWriter != null)
fileWriter.close();
} catch (IOException e) {
e.printStackTrace();
}
}return isSuccess;
}

 

我们把这两个函数封装到一个FileReaderWriter.java文件中以便后续使用。
接着我们回到知乎爬虫中。
我们需要给知乎的Zhihu封装类加个函数,用来格式化写入到本地时的排版。

 

复制代码代码如下:
public String writeString() {
String result = “”;
result += “问题:” + question + “\r\n”;
result += “描述:” + questionDescription + “\r\n”;
result += “链接:” + zhihuUrl + “\r\n”;
for (int i = 0; i < answers.size(); i++) {
result += “回答” + i + “:” + answers.get(i) + “\r\n”;
}
result += “\r\n\r\n”;
return result;
}

 

OK,这样就差不多了,接下来吧mian方法中的System.out.println改成

 

复制代码代码如下:
// 写入本地
for (Zhihu zhihu : myZhihu) {
FileReaderWriter.writeIntoFile(zhihu.writeString(),
“D:/知乎_编辑推荐.txt”, true);
}

 

运行,便可以看到本来在控制台看到的内容已经被写到了本地的txt文件里:

 

 

大体一看没什么问题,仔细看看发现问题:存在太多的html标签,主要是<b>和<br>。
我们可以在输出的时候对这些标记进行处理。
先把<br>换成io流里面的\r\n,再把所有的html标签都删除,这样看起来便会清晰很多。

 

复制代码代码如下:
public String writeString() {
// 拼接写入本地的字符串
String result = “”;
result += “问题:” + question + “\r\n”;
result += “描述:” + questionDescription + “\r\n”;
result += “链接:” + zhihuUrl + “\r\n”;
for (int i = 0; i < answers.size(); i++) {
result += “回答” + i + “:” + answers.get(i) + “\r\n\r\n”;
}
result += “\r\n\r\n\r\n\r\n”;
// 将其中的html标签进行筛选
result = result.replaceAll(“<br>”, “\r\n”);
result = result.replaceAll(“<.*?>”, “”);
return result;
}

 

这里的replaceAll函数可以使用正则,于是所有的<>标签在最后就都被删除了。



发表评论

电子邮件地址不会被公开。 必填项已用 * 标注

*

您可以使用这些 HTML 标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

(Spamcheck Enabled)