java爬虫开源工具，java的爬虫

如何用JAVA写一个知乎爬虫

Heritrix Heritrix是一个开源，可扩展的web爬虫项目。Heritrix设计成严格按照robots.txt文件的排除指示和META robots标签。更多Heritrix信息 WebSPHINX WebSPHINX是一个Java类包和Web爬虫的交互式开发环境。

首先爬虫是需要一个处理器链的，网页的抓取并非几十行代码就能实现的，因为有很多问题出 现。

原理即是保存cookie数据保存登陆后的cookie.以后每次抓取页面把cookie在头部信息里面发送过去。系统是根据cookie来判断用户的。有了cookie就有了登录状态，以后的访问都是基于这个cookie对应的用户的。

抓取到的数据，可以直接丢到MySQL，也可以用Django的ORM模型丢到MySQL，方便Django调用。方法也很简单，按数据库的语句来写就行了，在spiders目录里定义自己的爬虫时也可以写进去。

)Nutch是为搜索引擎设计的爬虫，大多数用户是需要一个做精准数据爬取（精抽取）的爬虫。Nutch运行的一套流程里，有三分之二是为了搜索引擎而设计的。对精抽取没有太大的意义。

相关问答

Q1: Java网络爬虫怎么实现?

1、实时性 新闻网页的抓取一般来说是利用单独的爬虫来完成。新闻网页抓取的爬虫的权重设置与普通爬虫会有所区别。

2、定时抓取固定网站新闻标题、内容、发表时间和来源。

3、需要先用img标签的正则表达式匹配获取到img标签，再用src属性的正则表达式获取这个img标签中的src属性的图片url，然后再通过缓冲输入流对象读取到这个图片url的图片信息，配合文件输出流将读到的图片信息写入到本地即可。

4、（1）程序package组织 （2）模拟登录（爬虫主要技术点1）要爬去需要登录的网站数据，模拟登录是必要可少的一步，而且往往是难点。知乎爬虫的模拟登录可以做一个很好的案例。

5、Java开源Web爬虫 Heritrix Heritrix是一个开源，可扩展的web爬虫项目。Heritrix设计成严格按照robots.txt文件的排除指示和META robots标签。更多Heritrix信息 WebSPHINX WebSPHINX是一个Java类包和Web爬虫的交互式开发环境。

Q2: 开源爬虫框架各有什么优缺点?

缺点：bug较多，不稳定。爬虫可以爬取ajax信息么？网页上有一些异步加载的数据，爬取这些数据有两种方法：使用模拟浏览器（问题1中描述过了），或者分析ajax的http请求，自己生成ajax请求的url，获取返回的数据。

Python中有很多优秀的爬虫框架，常用的有以下几种： Scrapy：Scrapy是一个功能强大的开源爬虫框架，它提供了完整的爬虫流程控制和数据处理功能，支持异步和分布式爬取，适用于大规模的数据采集任务。

各种爬虫框架，方便高效的下载网页；多线程、进程模型成熟稳定，爬虫是一个典型的多任务处理场景，请求页面时会有较长的延迟，总体来说更多的是等待。多线程或进程会更优化程序效率，提升整个系统下载和分析能力。

它是很强大的爬虫框架，可以满足简单的页面爬取，比如可以明确获知url pattern的情况。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面，如weibo的页面信息，这个框架就满足不了需求了。

Q3: 如何利用nutch和hadoop爬取网页数据

向hdfs中存入待抓取的网站url hadoop fs -put urldir urldir 注：第一个urldir为本地文件夹，存放了url数据文件，每行一个url地址 第二个urldir为hdfs的存储路径。

大数据时代，要进行数据分析，首先要有数据源，通过爬虫技术可以获得等多的数据源。

数据库用postgresql不是很好。因为爬行结果放在关系型数据库里太吃力。特别是网页内容。通常是URL放在redis里。 内容放在文件系统里，你可以用hadoop+hdfs+thrift方案放在hadoop里。

通过这种自动化的工作机制，将目标数据保存在本地数据中，以供使用。网络爬虫在访问一个超文本链接时，可以从HTML标签中自动获取指向其他网页的地址信息，因而可以自动实现高效、标准化的信息获取。

Q4: 开源爬虫框架各有什么优缺点

缺点：设计模式对软件开发没有指导性作用。用设计模式来设计爬虫，只会使得爬虫的设计更加臃肿。第三类：非JAVA单机爬虫优点：先说python爬虫，python可以用30行代码，完成JAVA 50行代码干的任务。

Python中有很多优秀的爬虫框架，常用的有以下几种： Scrapy：Scrapy是一个功能强大的开源爬虫框架，它提供了完整的爬虫流程控制和数据处理功能，支持异步和分布式爬取，适用于大规模的数据采集任务。

Scrapy：是一个为了抓取网站数据，提取数据结构性数据而编写的应用框架，可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中，用这个框架可以轻松爬下来各种信息数据。

缺点：文档严重缺失。不过通过官方的example以及人肉尝试的方法，还是勉强能用的。8)selenium：这是一个调用浏览器的driver，通过这个库你可以直接调用浏览器完成某些操作，比如输入验证码。9)cola：一个分布式爬虫框架。

java爬虫开源工具的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于java的爬虫、java爬虫开源工具的信息别忘了在本站进行查找喔。