【爬虫 | 1. Java之入门第一爬】

1.0 简介

网络爬虫（Web Crawler），是按照一定的规则，自动地抓取万维网信息的程序或脚本。

1.1 入门 Java 爬虫

1.1.1 环境准备

• JDK (链接: 如何查看自己的版本）
• IntelliJ IDEA
• IDEA 自带的 Maven

版本（IntelliJ IDEA Ultimate + version 11.0.11 + Maven）

• JetBrains 能很方便地管理多个 IDEA
  
• 左上角File -> Project Structure -> Project Settings -> Project
  
• 用自带的 Maven 进行管理，主要的东西都在 main 中

JDK VS SDK

• JDK，是 Java 开发工具包，主要用于编写Java程序；即想使用Java语言，就需要安装jdk
• SDK，就是软件开发包，是一个广义的概念，任何编程工具几乎都可以看成是 SDK
• 单说SDK，范围太大，如果是Android SDK，就可以理解是安卓机器的操作系统，类似 Windows 操作系统
• 简言之，JDK是SDK的一种！

1.1.2 环境配置

1. 建立框架：New Module -> Maven -> GroupId & ArtifactId etc
2. 在 pom.xml 中创建依赖关系： Apache HttpClient & SLF4J LOG4J 12 Binding（链接：Maven Repository）
3. 在 resources 中创建日志 log4j.properties

pom.xml 配置

<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0modelVersion>

    <groupId>cn.itcastgroupId>
    <artifactId>itcast-crawlerartifactId>
    <version>1.0-SNAPSHOTversion>

    <properties>
        <maven.compiler.source>11maven.compiler.source>
        <maven.compiler.target>11maven.compiler.target>
    properties>

    <dependencies>
        
        <dependency>
            <groupId>org.apache.httpcomponentsgroupId>
            <artifactId>httpclientartifactId>
            <version>4.5.13version>
        dependency>
        
        
        <dependency>
            <groupId>org.slf4jgroupId>
            <artifactId>slf4j-log4j12artifactId>
            <version>1.7.25version>
            
        dependency>

    dependencies>

project>

log4j.properties 配置

# A1: print in the console
log4j.rootLogger=DEBUG,A1
log4j.logger.cn.itcast = DEBUG

log4j.appender.A1=org.apache.log4j.ConsoleAppender
log4j.appender.A1.layout=org.apache.log4j.PatternLayout
log4j.appender.A1.layout.ConversionPattern=%-d{yyyy-MM-dd HH??ss,SSS} [%t] [%c]-[%p] %m%n

1.1.3 编写程序

• 在 main 中 new 一个 Java Class, 就可以开始写程序啦~

代码

package cn.itcast.crawler.test;

import org.apache.http.HttpEntity;
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 CrawlerFirst {

    public static void main(String[] args) throws Exception {
        // 1. Open a browser, set up a 'HttpClient' object
        CloseableHttpClient httpClient = HttpClients.createDefault();

        // 2. Input the URL, initiate a 'get' request, set up a 'HttpGet' object
        HttpGet httpGet = new HttpGet("https://www.itcast.cn");

        // 3. Enter, use 'HttpClient' to initiate a request, return the response
        CloseableHttpResponse response = httpClient.execute(httpGet);

        // 4. Parse the response, get the data
        // judge whether the 'status code' is 200
        if (response.getStatusLine().getStatusCode() == 200) {
            HttpEntity httpEntity = response.getEntity();
            String content = EntityUtils.toString(httpEntity, "utf8");
            System.out.println(content);
        }
    }

}