1. 使用Heritrix 爬取网络资源
1.1. 什么是网络爬虫
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。
1.2. 下载安装Heritrix
Heritrix 是一个由 java 开发的、开源的网络爬虫,用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性,方便用户实现自己的抓取逻辑。
1) 创建java工程MyHeritrix。
2) 将heritrix-3.1.0-distheritrix-3.1.0lib下面的所有jar包拷贝至java工程MyHeritrix的lib目录。
3) 将heritrix-3.1.0-srcheritrix-3.1.0下面commons,engine,modules的源码拷贝至java工程MyHeritrix的src目录。
4) 运行入口类org.archive.crawler.Heritrix,右键run Configurations,参数如下图:
1.3. 配置Heritrix
使用 https://localhost:8443/,进入heritrix的管理页面
1.4. 开始爬取数据
1)点击"build"编译当前的配置。
2)点击"launch"按钮运行当前任务至挂起状态,如果job已经运行,则先点击"teardown"按钮;
3)这时任务处于挂起状态,unpause按钮不可用,需要刷新页面,然后点击"unpause"即立即启动任务。
2. 使用jsoup解析html文件
2.1. jsoup简介
jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。具体api可以参考下面的链接。
http://www.open-open.com/jsoup/selector-syntax.htm
2.2. 编写HtmlParser.java
按照下面html页面的内容,摘取tile,keywords,description,canonical信息保存至对应文件中。
递归调用parserHtml方法,解析所有的html文件
测试效果,可以发现爬取的html都被解析成我们想要的文件了:
版权付亚东笔记博客所有,禁止转载!!付亚东Java笔记博客
我的笔记博客版权我的笔记博客版权