爬虫其实很简单！——网络爬虫快速实现(一)
今天我来带领大家一起学习编写一个网络爬虫！其实爬虫很简单，没有想象中那么难，也许所有学问都是这样，恐惧源自于无知。废话不多说，现在开始我们的爬虫之旅吧。
爬虫是什么？
我们时常听说编程大牛嘴边一直念叨着“网络爬虫“，那网络爬虫究竟是何方神圣呢？ 网络爬虫能够模仿用户浏览网页，并将所想要的页面中的信息保存下来。有些同学不禁要问：“我自己浏览网页，可以手动将数据保存下来啊，为何要写个程序去爬取数据呢？“道理其实很简单，程序能够在短时间内访问成千上万的页面，并且在短时间内将海量数据保存下来，这速度可远远超越了人工手动浏览网页的速度。
爬虫的原理
爬取网页的过程大致分成两个步骤：
- 爬取网页html文件 爬虫的第一步就是要模拟用户浏览网页，获取需要访问的页面。 模拟用户浏览网页的方法很简单，使用Java类库中的URLConnection类即可，这个类可以发送HTTP请求，并返回请求页的二进制数据，我们只需将返回的二进制数据转换成String类型，这些数据就是请求页的HTML文本！
//设置需要爬取页面的URL
URL url = new URL("http://www.baidu.com");
//建立连接，获取URLConnection对象
URLConnection connection = url.openConnection();
//将URLConnection对象转换成HttpURLConnection对象
HttpURLConnection httpConnection = (HttpURLConnection) connection;
httpConnection.setDoOutput(true);
//获取输出流
OutputStreamWriter out = new OutputStreamWriter(httpConnection.getOutputStream(), "8859_1");
//刷新输出流，然后关闭流
out.flush();
out.close();
//一旦发送成功，用以下方法就可以得到服务器的回应：
String sCurrentLine = "";
String sTotalString = "";
//ResponseCode＝＝200表示请求发送成功！ if(httpConnection.getResponseCode()==200){
//获取服务器返回的输入流
InputStream l_urlStream = httpConnection.getInputStream();
BufferedReader l_reader = new BufferedReader(new InputStreamReader(l_urlStream));
while ((sCurrentLine = l_reader.readLine()) != null) {
sTotalString += sCurrentLine + "\r\n";
}
System.out.println(sTotalString);
return true;
}- 分析html文件，抽取其中需要的数据 当我们获取到请求页的HTML文本之后就需要在一堆HTML标签中将我们所需要的数据抽取出来。这里给大家提供一个很好用的抽取HTML数据的第三方Jar包：Jsoup！ Jsoup提供了getElementById()、getElementById()等方法，我们能够很方便地将指定标签中的数据抽取出来。除此之外，为了方便实现网络爬虫，Jsoup中已经集成了发送HTTP请求的函数，而且将整个发送请求的过程极度地简化，只需两步就能完成，无需再使用HttpConnection类库在发送HTTP请求前进行一系列复杂的设置，并且Jsoup中返回的就是HTML文本，无需再进行二进制转换成HTML文本的操作。代码如下：
//通过Jsoup获取HTML文本
Document doc = Jsoup.connect("http://10.20.100.5:8080/").get();
//获取HTML中所有的tbody标签
Elements tbodys = doc.getElementsByTag("tbody");
//获取tbody标签中所有的td标签
Elements tds = tbodys.get(1).getElementsByTag("td");
//获取td中的文本
tds.get(0).html();看完这些相信大家对于网络爬虫已经入门了，能够实现一个最简单的爬虫程序，接下来我会带领大家一步步深入，实现一个更加智能、功能更加强大的爬虫！ 如果各位还有什么问题，可以留言，我会尽力解答的。
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2015年05月28日，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录