当前位置:首页 > Java

如何用java写爬虫

2026-03-04 02:23:11Java

使用Java编写爬虫的方法

Java编写爬虫通常需要借助第三方库如Jsoup或HttpClient,以下是具体实现方式:

使用Jsoup库

Jsoup是一款专门用于解析HTML的Java库,适合处理网页内容:

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class JsoupCrawler {
    public static void main(String[] args) throws Exception {
        String url = "https://example.com";
        Document doc = Jsoup.connect(url).get();
        Elements links = doc.select("a[href]");

        for (Element link : links) {
            System.out.println(link.attr("abs:href"));
        }
    }
}

使用HttpClient库

Apache HttpClient更适合处理HTTP请求,需要配合HTML解析器:

import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;

public class HttpClientCrawler {
    public static void main(String[] args) throws Exception {
        CloseableHttpClient client = HttpClients.createDefault();
        HttpGet request = new HttpGet("https://example.com");

        try (CloseableHttpResponse response = client.execute(request)) {
            String html = EntityUtils.toString(response.getEntity());
            // 使用Jsoup或其他解析器处理html
        }
    }
}

处理动态内容

对于JavaScript渲染的页面,可使用Selenium WebDriver:

import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;

public class SeleniumCrawler {
    public static void main(String[] args) {
        System.setProperty("webdriver.chrome.driver", "chromedriver路径");
        WebDriver driver = new ChromeDriver();

        try {
            driver.get("https://example.com");
            String pageSource = driver.getPageSource();
            // 处理获取的页面源码
        } finally {
            driver.quit();
        }
    }
}

存储爬取数据

可将数据存储到文件或数据库:

import java.io.FileWriter;
import java.io.IOException;

public class DataStorage {
    public static void saveToFile(String data, String filename) throws IOException {
        try (FileWriter writer = new FileWriter(filename, true)) {
            writer.write(data + "\n");
        }
    }
}

遵守robots.txt

爬虫应尊重网站的robots.txt规则:

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class RobotsChecker {
    public static boolean isAllowed(String url) throws Exception {
        String robotsUrl = new URL(url).getProtocol() + "://" + 
                         new URL(url).getHost() + "/robots.txt";
        Document doc = Jsoup.connect(robotsUrl).get();
        return !doc.text().contains("Disallow: /");
    }
}

异常处理和限速

添加异常处理和请求间隔:

如何用java写爬虫

import java.util.concurrent.TimeUnit;

public class PoliteCrawler {
    public static void crawl(String url) {
        try {
            TimeUnit.SECONDS.sleep(1); // 延迟1秒
            Document doc = Jsoup.connect(url)
                              .timeout(5000)
                              .get();
            // 处理文档
        } catch (Exception e) {
            System.err.println("Error crawling " + url + ": " + e.getMessage());
        }
    }
}

标签: 爬虫如何用
分享给朋友:

相关文章

如何用css制作网页

如何用css制作网页

使用CSS制作网页的基本方法 CSS(层叠样式表)用于控制网页的样式和布局。以下是一些基本步骤和技巧: 创建CSS文件 新建一个.css文件,例如style.css。在HTML文件中通过<li…

如何用react做增删

如何用react做增删

使用React实现增删功能 在React中实现增删功能通常涉及状态管理和列表渲染。以下是一个完整的实现方案: 初始化状态 需要定义一个状态来存储列表数据,可以使用useState钩子: const…

如何用npm下载react

如何用npm下载react

安装Node.js和npm 确保系统中已安装Node.js,因为npm是Node.js的包管理器。可以从Node.js官网下载并安装最新稳定版本。安装完成后,通过以下命令验证安装是否成功: node…

如何用react写轮播

如何用react写轮播

使用React实现轮播组件 基本结构 创建一个基础的轮播组件需要管理当前显示的幻灯片索引和切换逻辑。使用useState来跟踪当前激活的幻灯片。 import React, { useState }…

如何用vs code开发react

如何用vs code开发react

安装必要工具 确保系统已安装Node.js(建议LTS版本),用于运行JavaScript和npm/yarn包管理工具。下载并安装Visual Studio Code(VS Code)作为代码编辑器。…

如何用命令行新建react项目

如何用命令行新建react项目

使用 create-react-app 创建项目 安装最新版本的 create-react-app 工具后,在命令行运行以下命令生成新项目: npx create-react-app my-ap…