java:爬虫(2)

Java网络爬虫-2 抓取指定URL网页数据以及解析 ****************根据网址获取指定的网页内容******************** private static String getHtml(String path){ StringBuffer html = new StringBuffer();//保存整个html文档的数据 try { //1.发起一个url网址的请求 ... 阅读详情
package demo;

import java.net.URL;
import java.util.ArrayList;
import java.util.Scanner;


public class Wbe_Crawl {
	public static void main(String[] args) throws Exception {
		System.out.println("input ");
		Scanner input = new Scanner(System.in);
		String str = "http://" + input.nextLine();
		Crawl(str);
	}

	private static void Crawl(String a) {
		ArrayList<String> a1 = new ArrayList<>();// 未爬
		ArrayList<String> a2 = new ArrayList<>();// 已爬

		a1.add(a);

		while (!a1.isEmpty() && a2.size() <=200) {
			String q1 = a1.remove(0);
			if (!a2.contains(q1)) {
				a2.add(q1);
				System.out.println("Crawl :" + q1);
			}
			for (String s : GetURL(q1)) {
				a1.add(s);
			}
		}

	}

	private static ArrayList<String> GetURL(String q1) {
		ArrayList<String> list = new ArrayList<>();
		try {
			URL url = new URL(q1);

			Scanner input = new Scanner(url.openStream());
			int c1 = 0;

			while (input.hasNext()) {

				String line = input.nextLine();

				c1 = line.indexOf("http:", c1);

				while (c1 > 0) {
					int c2 = line.indexOf("\"", c1);

					if (c2 > 0) {

						list.add(line.substring(c1, c2));

						c1 = line.indexOf("http:", c2);

					} else {
						c1 = -1;
					}
				}
			}

		} catch (Exception e) {
			System.out.println("出错了");
		}
		return list;
	}
}

什么是爬虫-Java网络爬虫系统性学习与实战(2) 什么是爬虫-Java网络爬虫系统性学习与实战(2) 文章目录我的简单理解维基百科的定义爬虫策略爬虫核心点爬虫的要素联系方式 Java网络爬虫系统性学习与实战系列 上一篇文章: 纲要-Java网络爬虫系统性学习与实战(1) 我的简单理解 没有过多的定义爬虫这个词的话,一般来说,爬虫指的是网络爬虫。 最开始接触编程时,我完全不明白到底爬虫是个什么东西。网络上爬来爬去的虫子? 现在看来,如果把整个万维网看成是网状的,站点之间通过超文本链接互相连接。那么其实把爬虫理解成虫子在网上爬来爬去也未尝不可。 维基百科的定 阅读详情

相关推荐

Linux 命令之 localectl -- 控制系统的本地化与键盘布局

文章目录命令介绍常用选项参考示例(一)显示当前的本地化设置与键盘映射(二)设置系统的本地化字符集环境变量(三)列出本地所有字符集(四)列出所有可用的控制台键盘映射(五)设置控制台的键盘映射 命令介绍 localectl 命令可用于查询与修改系统的本地化(locale)与键盘布局的设置。 它通过与 systemd-localed.service 通信来修改例如 /etc/locale.conf 与 /etc/vconsole.conf 之类的配置文件。本地化设置控制着 用户界面的语言、字符类型与字符编码、 日

liaowenxiong的博客 5401

java-网络爬虫 2

网络爬虫是一种强大的工具,用于自动化数据采集和信息提取。在Java中,通过java.net包、JSoup和HttpClient等工具,可以方便地构建各种类型的爬虫。从简单的单页面爬取到复杂的分布式爬虫,从静态内容抓取到动态内容解析,网络爬虫的应用场景非常广泛。在开发和运行网络爬虫时,必须遵守爬虫礼仪、法律和道德准则,确保行为合法合规。通过合理设计和优化,网络爬虫可以高效地为各种应用提供丰富的数据支持。

weixin_41247813的博客 1058

手把手教你低成本复刻大疆C板缓启动电路(附原理图与选型清单)

本文详细介绍了如何低成本复刻大疆C板缓启动电路,包括核心器件选型、电路搭建与调试实战、参数优化方法论及进阶改进思路。通过替代型号和优化设计,实现功能相近的缓启动电路,成本不到原方案的1/3,适合电子爱好者、在校学生和预算紧张的硬件工程师。

weixin_29197051的博客 397

java 爬虫框架nutch_网络爬虫(2)-- Java爬虫框架

NutchNutch属于分布式爬虫,爬虫使用分布式,主要是解决两个问题:1)海量URL管理;2)网速。如果要做搜索引擎,Nutch1.x是一个非常好的选择。Nutch1.x和solr或者es配合,就可以构成一套非常强大的搜索引擎,否则尽量不要选择Nutch作为爬虫。用Nutch进行爬虫的二次开发,爬虫的编写和调试所需的时间,往往是单机爬虫所需的十倍时间不止。HeritrixHeritrix是个“...

weixin_42505032的博客 1125

Yolov5自学笔记之一--从入门到入狱,功能强大不要乱用(实现yolov5的基本功能使用流程及训练自己的数据集)

零基础自学yolov5,学会简单使用和训练自己的数据集,在自己工作中使用

qq_41597915的博客 1万+

从零搭建Obsidian智能知识库:Ollama本地模型与Copilot插件实战指南

本文详细介绍了如何从零搭建Obsidian智能知识库,结合Ollama本地模型与Copilot插件实现高效知识管理。通过本地部署AI助手,用户可以在保证隐私安全的同时,快速检索和整理笔记,提升工作效率。文章涵盖硬件准备、Ollama部署、插件配置及实战技巧,适合需要高效知识管理的专业人士。

weixin_29230773的博客 632

自学Java网络爬虫-Day2

自学Java网络爬虫-Day2 文章目录自学Java网络爬虫-Day2Jsoup1.Jsoup介绍2.加入依赖3.第一个Test(解析url)4.第二个Test(解析字符串)5.第三个Test(解析文件)6.第四个Test(使用dom方式遍历文档)7.第五个Test(使用选择器语)8.第六个Test(Selector选择器概述)9.第七个Test(Selector选择器组合使用) 第一天主要介绍的是HttpClient的相关内容,它的作用是来抓取页面。但是抓取之后必须进行解析才能获得我们想要的信息,今天学

hyfsoar的博客 268

LLaVA-1.5:多模态视觉问答新突破

LLaVA-1.5在多模态视觉问答(VQA)任务中取得了显著进展,主要得益于视觉-语言连接器的优化和特定任务数据集的增加。通过将连接器升级为两层MLP,模型在处理视觉与语言关系时表现更佳。同时,引入如OKVQA、OCRVQA等数据集,增强了模型在复杂视觉推理任务中的能力。在11个基准测试中,LLaVA-1.5超越了现有方法,展示了其强大的多模态能力。此外,模型通过提升输入图像分辨率、扩展语言模型和改进多语言能力,进一步提升了性能。尽管在短格式回答任务中初期表现不佳,但通过调整提示格式和微调,其性能显著提升

weixin_57060548的博客 946

java网络爬虫开发笔记(2)

在上一篇的基础上,正式步入网络爬虫的正轨,并且利用多线程大大提高效率(未完待续)

std4453的博客 341

光学系统仿真软件:Finesse_(6).噪声分析与优化

在Finesse中,噪声源的定义可以通过在光学元件的参数中添加噪声项来实现。以下是一个简单的示例,展示了如何在激光器和反射镜中定义噪声源。# 定义噪声传递函数# 绘制噪声传递函数plot NTF1在这个例子中,定义了一个噪声传递函数NTF1,描述了激光器L1到反射镜M1的噪声传递过程。plot NTF1命令绘制了噪声传递函数的频谱图。# 定义耦合路径# 绘制耦合噪声频谱图plot C1在这个例子中,定义了一个耦合路径C1,描述了激光器L1和反射镜M1之间的噪声耦合关系。plot C1。

kkchenjj的博客 874

量化交易 米筐 因子分组打分(成长因子)

分组动手练习 在米筐上因子数据没有处理,提供的很多因子没有默认分类,存在一些因子没有的情况,我们就选择一些常见的因子。 价值因子 质量因子 成长因子(历史名称) pe_ratio return_on_invested_capital in_revenue pcf_ratio du_return_on_equity inc_eps pb_ratio return_on_asset_net_profit inc_total_asset market_cap return_on_equ

廷益_飞鸟的博客 933

网络爬虫(2)-- Java爬虫框架

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34138139的博客 173

VSCode 配置 Claude Code 插件的 4 步安装法与 3 类常见报错解决方案

介绍 VSCode 中 Claude Code 插件的 4 步可靠安装流程与 3 类高频报错(上下文丢失、认证失败、加载卡死)的根因分析和精准修复方案,聚焦文件上下文捕获机制、请求头注入要求及缓存失效逻辑,提供可验证的命令行操作与日志定位方法。

weixin_28728443的博客 500

java spider爬虫_Java网络爬虫实操(2)

本篇文章继续介绍爬虫框架NetDiscovery的使用:如何发重复请求、如何用爬虫容器引擎驱动爬虫程序1 )重复请求的场景举例从2017年下半年开始,比特币、数字货币、虚拟币、区块链技术、去中心化等等新名词频频出现在媒体上,让人不想看到都很难(本篇文章不研究数字货币是不是未来的发展方向)风险提示:炒币有风险,入市需谨慎数据货币信息平台找了一个数字货币的聚合信息平台,上面会定时刷新每种货币的价格。如...

weixin_35067558的博客 490

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

java网络爬虫2:HttpClient设置超时

HttpClient设置超时:当我们不希望在某个网址上花太多的时间去等待下载完成时,要设置超时,设置方法如下package java爬虫; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStreamReader; import java.net.MalformedURLExceptio...

qq_38365342的博客 382

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Java网络爬虫实操(2)

上一篇: Java网络爬虫实操(1) 本篇文章继续介绍爬虫框架NetDiscovery的使用:如何发重复请求、如何用爬虫容器引擎驱动爬虫程序 1 )重复请求的场景举例 从2017年下半年开始,比特币、数字货币、虚拟币、区块链技术、去中心化等等新名词频频出现在媒体上,让人不想看到都很难。 (本篇文章不研究数字货币是不是未来的发展方向) 风险提示:炒币有风险,入市需谨慎 找了一个数字货币的聚合信...

weixin_34376562的博客 155

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

java 网络爬虫项目(2)

代码实现一 爬虫目标:优酷 爬取字段:总播放量、每日播放增量、评论数、收藏数、赞、踩 实现功能:下载解析界面 采用技术:HttpClient、 HtmlCleaner、 Xpath 、正则表达式 ...

大西瓜不甜的博客 351

每周荐书:SLAM、Vue2、爬虫(评论送书)

每周荐书:SLAM、Vue2、爬虫(评论送书) 移动互联网、大数据、人工智能等新技术浪潮在不断冲击着我们,为了拓展我们的学习路线,小编每周为大家推荐一本IT技术新书,以弥补扑面而来的各类技术热点知识。 在文末评论里回复你对本周推荐图书的看法,或想要获得某本书的书名及理由,下期荐书更新时,会在本期评论中选出3名优秀评论可以免费获得此书。 《视觉SLAM十四讲:从理论到实践》 《Vue2实践揭秘》 《网络爬虫全解析——技术、原理与实践》

博文视点(北京)官方博客 7921

网络爬虫初步(2)-使用java的URL类解析URL地址

原文:http://java.sun.com/docs/books/tutorial/networking/urls/urlInfo.html 示例:import java.net.*;import java.io.*;public class ParseURL { public static void main(String[] args) throws Except

3150

Apache Nutch v2.3 发布,Java实现的网络爬虫

http://www.oschina.net/news/59287/apache-nutch-2-3 Apache Nutch v2.3已经发布了,建议所有使用2.X系列的用户和开发人员升级到这个版本。这个版本提供了一个基于Apache Wicket的Web管理界面,解决了143个问题,提供了Maven依赖,升级到Gora v0.5,支持的底层存储为: Apache Hadoop 1....

weixin_34162228的博客 152

python网络爬虫权威指南 百度云-分析《Python网络爬虫权威指南第2版》PDF及代码...

对那些没有学过编程的人来说,计算机编程看着就像变魔术。如果编程是魔术(magic),那么网页抓取(Web scraping)就是巫术(wizardry),也就是运用“魔术”来实现精彩实用却又不费吹灰之力的“壮举”。 在我的软件工程师职业生涯中,我几乎没有发现像网页抓取这样的编程实践,可以同时吸引程序员和门外汉的注意。虽然写一个简单的网络爬虫并不难,就是先收集数据,再显示到命令行。我们抓取数据可以使...

weixin_37988176的博客 1346

Java之网络爬虫WebCollector2.1.2+selenium2.44+phantomjs2.1.1

Java之网络爬虫WebCollector2.1.2+selenium2.44+phantomjs2.1.1 一、简介 版本匹配:WebCollector2.12 +selenium2.44.0 + phantomjs 2.1.1 动态网页爬取:WebCollector +selenium +phantomjs 说明:这里的动态网页指几种可能:1)需要用户交互,如常见的登录操作...

weixin_30642869的博客 169

selenium2 java 爬虫_selenium2java爬虫示例

本人在使用图灵机器人的过程中,需要丰富一下机器人知识库里面的笑话、段子等内容,就得去网上爬一些内容下来,经过尝试终于成功了,效果一般般,主要原因是添加的知识条目审核不通过,还有就是爬虫次数限制,暂时放弃了,以后打算用接口做爬虫,selenium爬起来很容易出错,浏览器加载太慢了,一旦次数太多很耗时。分享一下代码,供大家参考。package wepractice;import java.util.A...

weixin_42510140的博客 118
上一篇: java:爬虫雏形
下一篇: java:对象转换检查
include_ice
博客等级 码龄9年 307粉丝 139原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值