网络爬虫入门（一）

jopen 8年前

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：

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：

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

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：