如何用Java寫一個(gè)爬蟲

1、使用Java寫爬蟲，常見的網(wǎng)頁解析和提取方法有兩種：利用開源Jar包Jsoup和正則。一般來說，Jsoup就可以解決問題，極少出現(xiàn)Jsoup不能解析和提取的情況。Jsoup強(qiáng)大功能，使得解析和提取異常簡(jiǎn)單。知乎爬蟲采用的就是Jsoup。

成都創(chuàng)新互聯(lián)公司專注于企業(yè)成都全網(wǎng)營(yíng)銷推廣、網(wǎng)站重做改版、漣水網(wǎng)站定制設(shè)計(jì)、自適應(yīng)品牌網(wǎng)站建設(shè)、html5、電子商務(wù)商城網(wǎng)站建設(shè)、集團(tuán)公司官網(wǎng)建設(shè)、外貿(mào)網(wǎng)站制作、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁設(shè)計(jì)等建站業(yè)務(wù)，價(jià)格優(yōu)惠性價(jià)比高，為漣水等各大城市提供網(wǎng)站開發(fā)制作服務(wù)。

2、原理即是保存cookie數(shù)據(jù)保存登陸后的cookie.以后每次抓取頁面把cookie在頭部信息里面發(fā)送過去。系統(tǒng)是根據(jù)cookie來判斷用戶的。有了cookie就有了登錄狀態(tài)，以后的訪問都是基于這個(gè)cookie對(duì)應(yīng)的用戶的。

3、普通的網(wǎng)頁直接用httpclient封裝的API就可以獲取網(wǎng)頁HTML了，然后 JSoup、正則 提取內(nèi)容。若網(wǎng)站有反爬蟲機(jī)制的，會(huì)需要構(gòu)造User-Agent 偽裝瀏覽器； 若有需要登錄的，會(huì)傳入cookie進(jìn)去。

用java編寫網(wǎng)絡(luò)爬蟲,用來爬網(wǎng)絡(luò)音樂資源,再返回java頁面顯示該怎么實(shí)現(xiàn)...

1、//isUrlAlreadyVisited：URL是否訪問過，大型的搜索引擎往往采用BloomFilter進(jìn)行排重，這里簡(jiǎn)單使用HashMap //isDepthAcceptable：是否達(dá)到指定的深度上限。爬蟲一般采取廣度優(yōu)先的方式。

2、你可以簡(jiǎn)單的使用httpclient發(fā)送get/post請(qǐng)求，獲取結(jié)果，然后使用截取字符串、正則表達(dá)式獲取想要的內(nèi)容?；蛘呤褂孟馢soup/crawler4j等這些已經(jīng)封裝好的類庫，更方便的爬取信息。

3、WebSPHINX WebSPHINX是一個(gè)Java類包和Web爬蟲的交互式開發(fā)環(huán)境。Web爬蟲(也叫作機(jī)器人或蜘蛛)是可以自動(dòng)瀏覽與處理Web頁面的程序。WebSPHINX由兩部分組成：爬蟲工作平臺(tái)和WebSPHINX類包。

4、普通的網(wǎng)頁直接用httpclient封裝的API就可以獲取網(wǎng)頁HTML了，然后 JSoup、正則 提取內(nèi)容。若網(wǎng)站有反爬蟲機(jī)制的，會(huì)需要構(gòu)造User-Agent 偽裝瀏覽器； 若有需要登錄的，會(huì)傳入cookie進(jìn)去。

5、原理即是保存cookie數(shù)據(jù)保存登陸后的cookie.以后每次抓取頁面把cookie在頭部信息里面發(fā)送過去。系統(tǒng)是根據(jù)cookie來判斷用戶的。有了cookie就有了登錄狀態(tài)，以后的訪問都是基于這個(gè)cookie對(duì)應(yīng)的用戶的。

6、我主要使用Jsoup解析，獲取源碼有時(shí)候使用Jsoup，比較復(fù)雜的時(shí)候比如需要換ip，改編碼或者模擬登陸的時(shí)候使用HttpClient，以下是抓取開源中國(guó)新聞的一段代碼，可以運(yùn)行。

java爬蟲抓取指定數(shù)據(jù)

需要先用img標(biāo)簽的正則表達(dá)式匹配獲取到img標(biāo)簽，再用src屬性的正則表達(dá)式獲取這個(gè)img標(biāo)簽中的src屬性的圖片url，然后再通過緩沖輸入流對(duì)象讀取到這個(gè)圖片url的圖片信息，配合文件輸出流將讀到的圖片信息寫入到本地即可。

爬蟲的原理其實(shí)就是獲取到網(wǎng)頁內(nèi)容，然后對(duì)其進(jìn)行解析。只不過獲取的網(wǎng)頁、解析內(nèi)容的方式多種多樣而已。你可以簡(jiǎn)單的使用httpclient發(fā)送get/post請(qǐng)求，獲取結(jié)果，然后使用截取字符串、正則表達(dá)式獲取想要的內(nèi)容。

第1行建立一個(gè)URL物件，帶入?yún)?shù)為想要建立HTTP連線的目的地，例如網(wǎng)站的網(wǎng)址。 第2行建立一個(gè)HttpURLConnection物件，并利用URL的openConnection()來建立連線。

一般爬蟲都不會(huì)抓登錄以后的頁面，如果你只是臨時(shí)抓某個(gè)站，可以模擬登錄，然后拿到登錄以后的Cookies，再去請(qǐng)求相關(guān)的頁面。

如Python的BeautifulSoup庫），解析網(wǎng)頁源代碼，找到想要爬取的文字所在的HTML標(biāo)簽。提取文字：獲取HTML標(biāo)簽的文本內(nèi)容，即為所要爬取的文字。保存結(jié)果：將爬取的文字保存到文件中或數(shù)據(jù)庫中，以便后續(xù)使用。

使用jsoup解析到這個(gè)url就行，dom結(jié)構(gòu)如下：look-inside-cover類只有一個(gè)，所以直接找到這個(gè)img元素，獲取src屬性，就可以獲取到圖片路徑。