java爬虫抓取网页数据(网络爬虫（又被称为网页蜘蛛）蜘蛛，聚焦爬虫)

　　java爬虫抓取网页数据(网络爬虫（又被称为网页蜘蛛）蜘蛛，聚焦爬虫)

　　小编将与大家分享如何用java编写网络爬虫。相信大部分人都不太了解，所以分享一下这个文章，供大家参考。希望大家看完这篇文章收获会喜欢，一起来了解一下吧！

　　网络爬虫

　　网络爬虫（也称为网络蜘蛛、网络机器人，在 FOAF 社区中，更常被称为网络追逐者）是根据一定规则自动从万维网上爬取信息的程序或脚本。

　　

　　聚焦爬虫工作原理及关键技术概述

　　网络爬虫是一种自动提取网页的程序。它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成部分。传统爬虫从一个或多个初始网页的URL开始，获取初始网页上的URL。在抓取网页的过程中，它不断地从当前页面中提取新的 URL 并放入队列中，直到满足系统的某些停止条件。焦点爬虫的工作流程比较复杂。它需要按照一定的网页分析算法过滤掉与主题无关的链接，保留有用的链接，并放入等待抓取的URL队列中。然后，它会根据一定的搜索策略从队列中选择下一个要爬取的网页URL，并重复上述过程，直到系统达到一定条件并停止。此外，爬虫爬取的所有网页都会被系统存储，经过一定的分析、过滤、索引，以供后续查询和检索；对于重点爬虫来说，这个过程中得到的分析结果也可能对后续的爬取过程给出反馈和指导。

　　与通用网络爬虫相比，聚焦爬虫还需要解决三个主要问题：

　　(1) 获取目标的描述或定义；

　　(2) 网页或数据的分析和过滤；

　　(3) URL 的搜索策略。

　　网络爬虫实现原理

　　根据这个原理，编写一个简单的网络爬虫程序，这个程序的作用是获取网站发回的数据，并将其中的url提取出来，我们将获取到的url存放在一个文件夹中。除了提取URL之外，我们还可以提取我们想要的各种其他信息，只要我们修改过滤数据的表达式即可。

　　下面是一个用Java模拟的程序，用来提取新浪网页上的链接，并保存在一个文件中

　　源代码如下：

　　package com.cellstrain.icell.util;

import java.io.*;

import java.net.*;

import java.util.regex.Matcher;

import java.util.regex.Pattern;

/**

* java实现爬虫

*/

public class Robot {

public static void main(String[] args) {

URL url = null;

URLConnection urlconn = null;

BufferedReader br = null;

PrintWriter pw = null;

// String regex = "http://[\\w+\\.?/?]+\\.[A-Za-z]+";

String regex = "https://[\\w+\\.?/?]+\\.[A-Za-z]+";//url匹配规则

Pattern p = Pattern.compile(regex);

try {

url = new URL("https://www.rndsystems.com/cn");//爬取的网址、这里爬取的是一个生物网站

urlconn = url.openConnection();

pw = new PrintWriter(new FileWriter("D:/SiteURL.txt"), true);//将爬取到的链接放到D盘的SiteURL文件中

br = new BufferedReader(new InputStreamReader(

urlconn.getInputStream()));

String buf = null;

while ((buf = br.readLine()) != null) {

Matcher buf_m = p.matcher(buf);

while (buf_m.find()) {

pw.println(buf_m.group());

}

}

System.out.println("爬取成功^_^");

} catch (MalformedURLException e) {

e.printStackTrace();

} catch (IOException e) {

e.printStackTrace();

} finally {

try {

br.close();

} catch (IOException e) {

e.printStackTrace();

}

pw.close();

}

}

}

　　以上就是如何用java编写网络爬虫的全部内容，感谢阅读！相信大家都有一定的了解。希望分享的内容对大家有所帮助。想了解更多知识，请关注易宿云行业资讯频道！