码迷,mamicode.com
首页 > 其他好文 > 详细

网络爬虫入门(一)

时间:2016-01-17 01:11:22      阅读:216      评论:0      收藏:0      [点我收藏+]

标签:

寒假开始学习一些简答的爬虫并且做一些有意义的事情。

首先,百度一下爬虫的意思:

网络爬虫:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

我所理解的最简单的爬虫的意思就是将网页上的内容抓取下来,然后在进行其他的一些行为。那么首先就要获得一个网页。

那么如何获得一个网页呢,首先要知道这个页面的URL,就以百度为一个例子,百度的URL为:http://www.baidu.com/。Java中的URL类可以获取一个URL。

那么这个URL获取到了之后会被当成一个文件处理,也就是说URL当做一个文件输入流读取进来。

读取完这个URL所对应的资源之后,我们可以让他显示出来:

先看看代码:

 1 public class TestSp1 {
 2     public static void main(String[] args){
 3         try {
 4             URL pageURL=new URL("http://www.baidu.com");
 5             InputStream input=pageURL.openStream();
 6             Scanner scanner = new Scanner(input, "utf-8");
 7             String text = scanner.useDelimiter("//a").next();
 8             System.out.println(text);
 9         } catch (MalformedURLException e) {
10             e.printStackTrace();
11         } catch (IOException e) {
12             e.printStackTrace();
13         }
14     }
15 }

首先访问百度页面,然后读取流的内容,之后输出,得到的结果如下:

技术分享

那么这一串代码是什么呢?我们可以访问一下百度的页面看一下百度网页的源代码。下面是我用谷歌浏览器访问百度之后查看的源代码:

技术分享

经过对比我们可以发现是一样的,也就是说我们读取到的网页实际上就是一个html文件,将服务器上的html文件读取出来,然后输出到控制台上就好了。

这就是爬虫的第一步,不过据说,实际上网络换进会比较复杂,所以使用java.net中的API工作量会非常大的,所以实际开发中会有现成的开源包,Apache下含有Http客户端的jar包,叫做HttpClient.jar

那么使用HttpClient这个工具怎么获得百度的网页呢?

首先需要两个包

技术分享

第二个logging这个包如果没有程序是无法正常工作的,所以第二个必须有。之后代码就改成了这个:

 1 public class TestSp2 {
 2     public static void main(String[] args){
 3         HttpClient httpClient=new HttpClient();
 4         GetMethod get=new GetMethod("http://www.baidu.com/");
 5         try {
 6             int num=httpClient.executeMethod(get);
 7             System.out.println(num);
 8         } catch (IOException e) {
 9             e.printStackTrace();
10         }
11 
12         try {
13             System.out.println(get.getResponseBodyAsString());
14         } catch (IOException e) {
15             e.printStackTrace();
16         }
17 
18     }
19 }

num是用来获得Http状态码这个就不过多的说了,如果正常访问的话会输出200。接下来输出的是页面的内容:

技术分享

和预期一样,状态码输出为200,表示访问正常,然后就是HTML页面的内容。

 

=========================================

技术分享

网络爬虫入门(一)

标签:

原文地址:http://www.cnblogs.com/Summer7C/p/5136619.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!