前言：自从2014年4月大一开始接触Java，7月开始接触网络爬虫至今已经两年的时间，共抓取非同类型网站150余个，其中包括一些超大型网站，比如百度文库，亚马逊，魔方格，学科网等。也在学长五年经验留下来的代码的基础上，整合成一个小型的爬虫框架，主要用于抓取期刊之类的数据型网站，包括元数据抓取和文件下载。在此感谢曾经给我指导方向，帮助我学习的学长们。
关于本系列博文：主要基于Java语言，使用Jsoup解析网页源码，HttpClient模拟请求，MySQL数据持久化存储等，包括模拟登陆，数据抓取，代理IP，验证码识别等。
学习前的准备工作：
1.关于Java基础
此文档主要以Jsoup解析+MySql数据库存储讲解数据抓取，需要具备一定的Java基础和数据库基础。由于在实际抓取中经常使用到Java中对String的操作，如indexOf,subString,split,replace等，请重点回顾相关用法及有可能抛出的异常。对于一些复杂的网站只靠Jsoup解析+String操作远远不够，有时候也需要使用正则表达式，也需要适当了解。
2.关于开发必备软件如下：
开发工具推荐使用Eclipse系列，注意修改工作空间编码为UTF-8。
下载地址：
http://www.eclipse.org/downloads/packages/eclipse-ide-java-ee-developers/mars1
浏览器使用火狐或者谷歌，请自行选择。
火狐浏览器下载地址：
http://download.firefox.com.cn/releases/stub/official/zh-CN/Firefox-latest.exe
谷歌浏览器下载地址：
http://w.x.baidu.com/alading/anquan_soft_down_ub/14744
3.解析网页源码使用的是Jsoup，使用前请先查看一下文档学习。
教程网址：http://www.open-open.com/jsoup/（重点）
Jsoup解析网页源码时常用的Element(s)类：http://blog.youkuaiyun.com/TMaskBoy/article/details/49076727
4.关于http请求介绍（包括Chrome开发者工具说明）
http://www.imooc.com/video/13082
885
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
