一.什么是爬虫:
用程序代替手动输入url,获取信息,进行数据分析的过程。
二.爬虫步骤
1.httpClient获取html的字符串和jsoup解析
1.1.
使用httpClient获取html字符串的流程
创建HttpClient对象。
创建请求方法的实例,并指定请求URL。如果需要发送GET请求,创建HttpGet对象;如果需要发送POST请求,创建HttpPost对象。
如果需要发送请求参数,可调用HttpGet、HttpPost共同的setParams(HetpParams params)方法来添加请求参数;对于HttpPost对象而言,也可调用setEntity(HttpEntity entity)方法来设置请求参数。
调用HttpClient对象的execute(HttpUriRequest request)发送请求,该方法返回一个HttpResponse
调用HttpResponse的getAllHeaders()、getHeaders(String name)等方法可获取服务器的响应头;调用HttpResponse的getEntity()方法可获取HttpEntity对象,该对象包装了服务器的响应内容。程序可通过该对象获取服务器的响应内容。
释放连接。无论执行方法是否成功,都必须释放连接。
CloseableHttpClient httpClient = HttpClient.CreateDefault();
HttpGet httpGet = new HttpGet("url");
HttpResponse httpResponse = httpClient.execute(httpClient);
String html = EntityUtils.toString(httpResponse.getEntity(),"utf-8");
1.2.使用Jsoup解析
Document document = Jsoup.parse(html);
这样就获得了文档对象。利用文档对象可以获得很多节点数据信息。