java爬虫之入门基础

jnPvp958

河马代理IP提取扣扣：337292404

相比于C#，java爬虫，python爬虫更为方便简要，首先呢，python的urllib2包提供了较为完整的访问网页文档的API，再者呢对于摘下来的文章，python的beautifulsoap提供了简洁的文档处理功能，这就成就了他爬虫的优势。
作为一名满脑子要成为一名大牛的程序员小白来讲，倒不是非要热爱哪一门语言，还是觉得哪一个好用而用之。
那么今天呢就来给大家分享一个我喜欢但是不好用的java爬虫系列...
先上码和效果图
package org.lq.wzq.Test;
/**
* 读取青年网的数据，并进行分析
* xutao 2018-11-22 09：09
*/
import java.io.*;
import java.net.*;

public class pachong {
public static void main(String args[]){
//确定爬取的网页地址，此处为青年网热点新闻的网页
//网址为 http://news.youth.cn/sz/201811/t20181121_11792273.htm
String strurl="http://news.youth.cn/sz/201811/t20181121_11792273.htm";
//建立url爬取核心对象
try {
URL url=new URL(strurl);
//通过url建立与网页的连接
URLConnection conn=url.openConnection();
//通过链接取得网页返回的数据
InputStream is=conn.getInputStream();
System.out.println(conn.getContentEncoding());
//一般按行读取网页数据，并进行内容分析
//因此用BufferedReader和InputStreamReader把字节流转化为字符流的缓冲流
//进行转换时，需要处理编码格式问题 注意一般为GBK或者UTF-8（乱码就换另外一个）
BufferedReader br=new BufferedReader(new InputStreamReader(is,"GBK"));
//按行读取并打印
String line=null;
while((line=br.readLine())!=null){
System.out.println(line);
}
br.close();
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}

}
}


查看网站源码，你就会发现程序爬取的其实就是整个网页（如下图）

而代码则是一行一行输出的，具体的整理关键点在于正则表达式的应用，拿到适合自己的数据，最后在储存到txt或者excle表格中。