学习爬虫的记录
2015-10-11 11:42
246 查看
学了一些爬虫的入门,记录一下。
步骤:爬取网上所需要的东西,下载,分析。
用的Java语言,其他语言也可以。
有很多已经封装好的包可以直接拿过来用,例如httpClient、Jsoup、htmlUnit等,还有一个XPath,它能够提取出需要的数据,htmlUnit支持,Jsoup不支持。Jsoup和htmlUnit本身也自带有提取数据的API。
HTML的数据都是树状结构的,所以可以根据其中的元素的排列、标签的属性等等一些特殊的标记来找出HTML中需要的东西。
这些封装好的包基本的功能都有,但是网页的数据有很多情况。例如:新闻网站上的数据不需要登陆就可以拿到页面的数据;而像新浪微博的数据就必须先登录才能提取到后面的数据。这就是这些包的不同,Jsoup不能模拟登陆,htmlUnit则可以进行模拟登陆,还有JavaScript和Ajax的功能,尽管不能很好的支持。
后面会记录一些实际的例子。
步骤:爬取网上所需要的东西,下载,分析。
用的Java语言,其他语言也可以。
有很多已经封装好的包可以直接拿过来用,例如httpClient、Jsoup、htmlUnit等,还有一个XPath,它能够提取出需要的数据,htmlUnit支持,Jsoup不支持。Jsoup和htmlUnit本身也自带有提取数据的API。
HTML的数据都是树状结构的,所以可以根据其中的元素的排列、标签的属性等等一些特殊的标记来找出HTML中需要的东西。
这些封装好的包基本的功能都有,但是网页的数据有很多情况。例如:新闻网站上的数据不需要登陆就可以拿到页面的数据;而像新浪微博的数据就必须先登录才能提取到后面的数据。这就是这些包的不同,Jsoup不能模拟登陆,htmlUnit则可以进行模拟登陆,还有JavaScript和Ajax的功能,尽管不能很好的支持。
后面会记录一些实际的例子。
相关文章推荐
- MySQL 调优基础(五) Linux网络
- 父类子类初始化问题
- mybatis05 用户添加
- [软考]之原码、反码、补码和移码
- SQL Server 动态行转列(参数化表名、分组列、行转列字段、字段值)
- IOSi科研OS7 具体的使用说明的适应
- 关于linux中的时间 时区问题
- 学习C++的50条忠告(转载)
- NEON 编程
- 与 Hadoop 对比,如何看待 Spark 技术?
- 如何在Win8.1中找到系统原带的画图工具
- 对vibe背景建模的一点理解
- QQ接口接入
- Linux变成路由器
- [Andorid]按钮设计
- 《学习OpenCV》第四章课后题9
- hdu 5500 Reorder the Books 【BestCoder Round #59 (div.2) 第二题】
- GCD
- LeetCode-Contains Duplicate III
- 个人学习笔记——数据库:主键和外键