13518219792
1、jsoup 是一款 Java 的HTML 解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于JQuery的操作方法来取出和操作数据。据说它是基于MIT协议发布的。
网站的建设创新互联公司专注网站定制,经验丰富,不做模板,主营网站定制开发.小程序定制开发,H5页面制作!给你焕然一新的设计体验!已为LED显示屏等企业提供专业服务。
2、JDK类库包含了一组丰富的、为网络通信而设计的类，使用它们能轻松地检索和阅读网络文件。
3、爬虫的原理其实就是获取到网页内容，然后对其进行解析。只不过获取的网页、解析内容的方式多种多样而已。你可以简单的使用httpclient发送get/post请求，获取结果，然后使用截取字符串、正则表达式获取想要的内容。
4、针对得到的html代码，通过使用正则表达式即可得到我们想要的内容。比如，我们如果想得到一个网页上所有包括“java”关键字的文本内容，就可以逐行对网页代码进行正则表达式的匹配。
你可以简单的使用httpclient发送get/post请求，获取结果，然后使用截取字符串、正则表达式获取想要的内容。或者使用像Jsoup/crawler4j等这些已经封装好的类库，更方便的爬取信息。
准备工作：需要了解目标网站的结构，以及想要爬取的文字所在的网页的URL。此外，还需要选择一种编程语言，如Python、Java、C++等，一般建议用PYTHON，因为有完善的工具库，并准备好相应的编程环境。
第1行建立一个URL物件，带入参数为想要建立HTTP连线的目的地，例如网站的网址。 第2行建立一个HttpURLConnection物件，并利用URL的openConnection()来建立连线。
一般爬虫都不会抓登录以后的页面，如果你只是临时抓某个站，可以模拟登录，然后拿到登录以后的Cookies，再去请求相关的页面。
1、Java访问网络url，获取网页的html代码 方式一：一是使用URL类的openStream()方法：openStream()方法与制定的URL建立连接并返回InputStream类的对象，以从这一连接中读取数据；openStream()方法只能读取网络资源。
2、访问第一个页面，登陆成功了，会返回sessionid，把取得的sessionid通过cookie传递到第二次访问中，浏览器就是这么实现的，cookie是包含在http请求中。
3、访问url是小菜，关键是你后面的...一个子难！读取文件内容的方式就有很多了！如：http ， ftp ，io ，xml，网络抓包 等。
4、只能抓取静态的页面源代码，因为很多事件和样式是动态绑定和执行的，所以不可能获取到执行完后的代码的。
