零基础写Java知乎爬虫之将抓取的内容存储到本地
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：
\\\\", "/");
// 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：
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。
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
// 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。
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。
«
»