JAVA自动爬取CSDN用户数据并文章点赞

爬取用户

某天，我发现我的文章被某个用户点赞了。欣喜之下，把那边文章重新校核更改一遍，接着进入这个点赞我的用户看看，结果发现他近期的博客是一些爬虫的实战。我想，我那篇文章，应该是他做的一个小程序批量加载用户信息并给文章点赞。我觉得这是一个有点意思的事，于是用java实现csdn批量爬取用户名并点赞。其中批量爬取用户名的思路借鉴这位大神的这篇博文GO+Selenium批量关注CSDN 1 （如何获取100万用户名, ES去重）。

题外话到此为止，先说说怎么获得csdn的用户名的，他的方法是通过用户的粉丝和关注两个列表，最多可以获得12个用户名，再根据这12个用户名，继续进入每个用户的主页，获得该用户的粉丝和关注列表的用户数据，这样无限循环往复，直到找到很多很多的用户名。

1.通过https://me.csdn.net/用户名获得粉丝和关注列表。

2.查看页面源码，用正则匹配

qq_33981796

匹配正则

a class="fans_title" href="https://me.csdn.net/(.+)"

3.获得匹配的用户名，再次进入https://me.csdn.net/用户名页面，重复1，2的操作

代码

    public Set users = new HashSet<>();
    
    public void getCSDNUsers(String userName) {
        if (users.size() > 30) {
            return;
        }
        Set userList = parseFans(mePage(userName));
        if (userList != null && userList.size() > 0) {
            synchronized (users) {
                users.addAll(userList);
            }
            userList.stream().forEach(user -> getCSDNUsers(user, token));
        }
    }

    public String mePage(String username) {
        String follerUrl = "https://me.csdn.net/" + username;
        try {
            Map headers = new HashMap<>();
            headers.put("cook", "UserName=luo4105; UserInfo=de5e709f7cd84e2d87648d45e6288db0; " +
                    "UserToken=de5e709f7cd84e2d87648d45e6288db0;");
            InputStream inputStream = HttpUtil.doGet(follerUrl, headers);
            String response = StreamUtil.inputStreamToString(inputStream, "UTF-8");
            return response;
        } catch (IOException e) {
            e.printStackTrace();
        }
        return null;
    }

    public Set parseFans(String pageContext) {
        if (pageContext == null || pageContext.length() == 0) {
            return new HashSet<>();
        }
        String fansRegex = "a class=\"fans_title\" href=\"https://me.csdn.net/(.+)\"";
        Pattern pattern = Pattern.compile(fansRegex);
        Matcher matcher = pattern.matcher(pageContext);
        Set fanses = new HashSet<>();
        while (matcher.find()) {
            fanses.add(matcher.group(1));
        }
        return fanses;
    }

这里只拉30个用户的数据，我也没有想好怎么截止这个任务。附上自己写的httpUtil和StreamUtil的访问网页的方法并输出string的方法。

//httpUtil.doGet方法
    public static InputStream doGet(String urlstr, Map headers) throws IOException {
        URL url = new URL(urlstr);
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        conn.setRequestProperty("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 " +
                "(KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36");
        conn.setRequestProperty("accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp," +
                "image/apng,*/*;q=0" +
                ".8");
        if (headers != null) {
            Set keys = headers.keySet();
            keys.stream().forEach(key -> {
                conn.setRequestProperty(key, headers.get(key));
            });
        }
        Random random = new Random();
        String ip =
                (random.nextInt(100) + 100) + "." + (random.nextInt(100) + 100) + "." + (random.nextInt(100) + 100) + "." + (random.nextInt(100) + 100);
        conn.setRequestProperty("x-forwarded-for", ip);
        InputStream inputStream = conn.getInputStream();

        return inputStream;
    }

public class StreamUtil {
    public static String inputStreamToString(InputStream is, String charset) throws IOException {
        byte[] bytes = new byte[1024];
        int byteLength = 0;
        StringBuffer sb = new StringBuffer();
        while ((byteLength = is.read(bytes)) != -1) {
            sb.append(new String(bytes, 0, byteLength, charset));
        }
        return sb.toString();
    }
}

博文点赞

分析一下博文点赞的API，随便打开一篇博客，并点赞，查看浏览器请求日志。

1. Request URL: https://blog.csdn.net/u014633966/phoenix/article/digg?ArticleId=86526464
2. Request Method: GET

cookie: UserName=luo4105; UserToken=xxxxxxxxxxxx;

只要拿到ArticleId，自己的UserToken，就可以拼接请求点赞博客了。

大致思路是这样的，打开https://me.csdn.net/用户名博客主页，解析文章列表便可获得文章id。跟踪登陆API，查看请求参数和响应中的cook的插入，解析出token。有了这些参数，就可以拼点赞请求了。

获得用户下的ArticleId

为了防止一下子把羊毛褥完了，我这里拿的是每个用户下的第一篇aritcleId，思路是这样的。

1.进入该用户的默认博客列表页面

这里通过https://blog.csdn.net/用户名/article/list/1进入博客列表

2.通过正则匹配获得第一篇文章链接中的ArticleId和userName

页面代码

        
            原        
        Could not set parameters for mapping错误与mybatis源码追踪      

实现代码

    public Map getFirstArticleId(Set userNames) {
        Map articleIdMap = new HashMap<>();
        String blogUrlTemplate = "https://blog.csdn.net/%s/article/list/1";
        userNames.stream().forEach(userName -> {
            String blogUrl = String.format(blogUrlTemplate, userName);
            try {
                InputStream inputStream = HttpUtil.doGet(blogUrl);
                String content = StreamUtil.inputStreamToString(inputStream, "UTF-8");
                String articleIdRegex = "https://blog.csdn.net/" + userName + "/article/details/([0-9]{8})";
                Pattern pattern = Pattern.compile(articleIdRegex);
                Matcher matcher = pattern.matcher(content);
                while (matcher.find()) {
                    articleIdMap.put(userName, matcher.group(1));
                    break;
                }
            } catch (IOException e) {
                System.out.println("http get failed");
                e.printStackTrace();
            }
        });
        return articleIdMap;
    }

模拟登陆获得token

使用浏览器查看csdn登陆请求，分析request和response，找到接口url，请求格式，用户名和密码在哪里传的，token在哪里返回的。

通过查看csdn登陆请求可知道

1. 登陆接口url是https://passport.csdn.net/v1/register/pc/login/doLogin，method是POST，content-type是application/json;charset=UTF-8
2. 参数和密码通过一个json字符串上传，json格式是{loginType: "1", pwdOrVerifyCode: "xx", userIdentification: "xxx",...}，关键参数是pwdOrVerifyCode（密码）和userIdentification（账号）。
3. token是通过response的header存入cookie，可通过拿response的header获得登陆token。

实现代码

    /**
     * 模拟登陆，并从cookie中拿出token和用户名
     *
     * @param username
     * @param password
     */
    public UserToken login(String username, String password) {
        String url = "https://passport.csdn.net/v1/register/pc/login/doLogin";
        Map headers = new HashMap<>();
        headers.put("Content-Type", "application/json");
        headers.put("accept", "application/json;charset=UTF-8");
        JSONObject jsonObject = new JSONObject();
        jsonObject.put("loginType", "1");
        jsonObject.put("pwdOrVerifyCode", password);
        jsonObject.put("userIdentification", username);
        UserToken userToken = new UserToken();
        try {
            Map> repHeaders = HttpUtil.doPostJSON(url, headers,
                    jsonObject.toJSONString());
            List setCookies = repHeaders.get("Set-Cookie");
            if (setCookies != null && setCookies.size() > 0) {
                setCookies.stream().forEach(cook -> {
                    if (cook.contains("UserToken=")) {
                        String userTokenRegex = "UserToken=(.*); Max";
                        Pattern pattern = Pattern.compile(userTokenRegex);
                        Matcher matcher = pattern.matcher(cook);
                        while (matcher.find()) {
                            userToken.setToken(matcher.group(1));
                        }
                    }
                    if (cook.contains("UserName=")) {
                        String userTokenRegex = "UserName=(.*); Max";
                        Pattern pattern = Pattern.compile(userTokenRegex);
                        Matcher matcher = pattern.matcher(cook);
                        while (matcher.find()) {
                            userToken.setUserName(matcher.group(1));
                        }
                    }
                });
            }

        } catch (IOException e) {
            e.printStackTrace();
        }
        return userToken;
    }

    @Data
    public static class UserToken {
        private String token;
        private String userName;
    }

以上，就是csdn自动爬取用户并给文章点赞的实现方式和过程。

整个项目源代码已经上传github，欢迎大家下载使用并改进，https://github.com/programluo/csdn-tool 。