网络爬虫框架的搭建以及使用HttpClient抓取解析网页的详细步骤

我们首先使用eclipse中的导入maven的方法搭建爬虫框架

1.创建如图结构的文件夹(pom.xml文件自行百度创建)



2.导入Existing Maven Project



->生成如图所示项目

使用HttpClient抓取网页

1.首先要配置pom.xml文件，需要将HttpClient包加载进来

->访问www.mvnrepository.com

->搜索HttpClient，找到如图信息



->复制粘贴到pom.xml文件中(注意需要添加一个

<dependencies></dependencies>

标签)，如图



eclipse工具会帮我们下载好HttpClient包，我们直接导入使用就好

2.我们使用HttpClient发送Get请求，并接受响应，将特定的页面下载。

错误的写法 {

//先创建HttpClient对象
CloseableHttpClient httpClient = new HttpClients.createDefault();

这里用这个写法创建HttpClient对象会返回403forbidden,UA字段存在问题，所有我们要对UA字段进行设置，用下面的写法。

}

创建HttpClient对象
HttpClientBuilder builder = HttpClients.custom();
//设置UA字段，UA标识浏览器身份
builder.setUserAgent("Mozilla/5
4000
.0(Windows;U;Windows NT 5.1;en-US;rv:0.9.4)");
CloseableHttpClient httpclient = builder.build();

//再创建HttpGet对象(url为需要下载网页的地址)
HttpGet httpGet = new HttpGet(url);`
//执行get请求
CloseableHttpResponse response = httpClient.execute(httpGet);`
//获得响应实体
HttpEntity entity = response.getEntity();
String rawHtml = EntityUtils.toString(entity);`
//将抓取到的网页打印
System.out.println(rawHtml);`

解析抓取到的网页

1.解析网页需要HtmlCleaner包，我们仍旧在pom.xml文件中配置，



点击找到此包的信息复制到

<dependencies></dependencies>

标签下

2.实例

//先获取要解析的网页
//将抓取的网页传给rawHtml
String rawHtml = page.getRawHtml();
//创建cleaner对象
HtmlCleaner hc = new HtmlCleaner();
//创建树的根标记实例
TagNode rootTagNode = hc.clean(rawHtml);
//定义要解析的元素或属性
String xpath = "//*[@id='h1title']";
//执行，获得数组
final Object[] objArr = rootTagNode.evaluateXPath(xpath);
//输出解析结果
if (objArr!=null) {
for (Object obj : objArr) {
if(obj instanceof TagNode) {
TagNode node = (TagNode)obj;
System.out.println(node.getText().toString());
}
}
}

XPath是一门在XML文档中查找信息的语言，在XML文档中对元素和属性遍历，xpath的书写格式可以自己找一下教程。