Java简单爬虫系列（1）---什么是爬虫，爬虫原理，怎么来实现爬虫

很早就想写个小爬虫了，一直拖拖拖，真是应了一句话，人有多大胆就能拖多晚。这几天终于开始搞了搞，现写下一些需要用到的知识，用作自己储备和希望能给同样需要的oser们一点经验。

这个系列一共有5篇，分为

• Java简单爬虫系列（1）---什么是爬虫，爬虫原理，怎么来实现爬虫

• Java简单爬虫系列（2）---HttpClient的使用
  

• Java简单爬虫系列（3）---正则表达式和Java正则API的使用
  

• Java简单爬虫系列（4）--- 正则表达式获取百度LOGO

• Jsoup使用获取推荐列表

下面是第一篇的内容，《什么是爬虫，爬虫原理》

你让我给你说什么是爬虫，我也不知道，我知道的是它可以在互联网上根据取得的url，顺着url一个一个的去访问页面(页面资源都访问到了，你就可以干你想干的事情了)

关于原理下面这段话我觉得十分有用

for each 链接 in 当前网页所有的链接

{

        if(如果本链接是我们想要的 || 这个链接从未访问过)

        {

                处理对本链接

                把本链接设置为已访问

        }

}

想使用爬虫，

1. 首先你要给它一个种子链接URL

2. 在种子链接的页面查找其他的URL，重复1步骤

3. 有链接有页面，然后你可以在页面中查找需要的内容

这其中需要的知识点

• http请求器

• 由于不是用浏览器访问，我们需要在本地的文件中发起请求获取资源，有两种实现方法，第一种Java提供的java.net包中APIs，另一种是选用第三方的工具，我选的是HttpClient这个资源，相对来说第三方工具会比Java本身提供的APIs的功能更加强大和灵活一些。

• 内容解析器

• 上面我们通过请求获取了资源，然后就是要去解析了，基本上获取的都是页面，一大串的HTML页面代码，那么我们也可以通过来两种方式来解析资源，一种是正则表达式，一种是第三方的解析器(比如，jsoup，htmlparse等)，本系列会先使用正则表达式来解析，最后应该也会有第三方的解析文章。

主要的梗概大概就是这没多，我再来梳理总结一下

1. 取一个种子URL，比如www.oschina.net

2. 通过httpclient请求获取页面资源(获取的页面资源其中肯定包含了其他的URL，可以作为下一个种子循环使用)

3. 通过正则或者jsoup解析出想要的内容(解析出其他的URL链接，同时获取本页面的所有图片，这都是可以的)

4. 使用3获取的下一个种子URL，重复1

   
   

如有错误，敬请指出，谢谢！