编辑

《网络数据采集技术：Java网络爬虫实战》是国内上很少见的讲解Java语言（而不是Python语言）网络爬虫的书籍。与Python语言相比，使用Java语言进行网络数据采集，具有采集效率更高、框架性能更好、敏捷易用等优点，而且针对大型搜索引擎的数据采集工作更多使用Java语言，故本书值得读者学习。编程语言的初学者也可通过本书进一步掌握Java语言的编程技能。

内容提要

《网络数据采集技术：Java网络爬虫实战》以Java为开发语言，地介绍了网络爬虫的理论知识和基础工具，包括网络爬虫涉及的Java基础知识、HTTP协议基础与网络抓包、网页内容获取、网页内容解析和网络爬虫数据存储等。本书选取典型网站，采用案例讲解的方式介绍网络爬虫中涉及的问题，以增强读者的动手实践能力。同时，本书还介绍了3种Java网络爬虫开源框架，即Crawler4j、WebCollector和WebMagic。

《网络数据采集技术：Java网络爬虫实战》适用于Java网络爬虫开发的初学者和进阶者；也可作为网络爬虫课程教学的参考书，供高等院校文本挖掘、自然语言处理、大数据商务分析等相关学科的本科生和研究生参考使用；也可供企业网络爬虫开发人员参考使用。

目录

第1 章 网络爬虫概述与原理 . 1

1.1 网络爬虫简介  1

1.2 网络爬虫分类  2

1.3 网络爬虫流程  4

1.4 网络爬虫的采集策略  5

1.5 学习网络爬虫的建议  5

1.6 本章小结 .. 6

第2 章 网络爬虫涉及的Java 基础知识 .. 7

2.1 开发环境的搭建 .. 7

2.1.1 JDK 的安装及环境变量配置 . 7

2.1.2 Eclipse 的下载 . 9

2.2 基本数据类型 . 10

2.3 数组 .. 11

2.4 条件判断与循环  12

2.5 集合 .. 15

2.5.1 List 和Set 集合  15

2.5.2 Map 集合 . 16

2.5.3 Queue 集合 . 17

2.6 对象与类  19

2.7 String 类 .. 21

2.8 日期和时间处理  23

2.9 正则表达式 .. 26

2.10 Maven 工程的创建  29

2.11 log4j 的使用 .. 33

2.12 本章小结 . 40

第3 章 HTTP 协议基础与网络抓包  41

3.1 HTTP 协议简介 . 41

3.2 URL .. 42

3.3 报文 .. 44

3.4 HTTP 请求方法 . 46

3.5 HTTP 状态码 .. 46

3.5.1 状态码2XX  47

3.5.2 状态码3XX  47

3.5.3 状态码4XX  48

3.5.4 状态码5XX  48

3.6 HTTP 信息头 .. 48

3.6.1 通用头 .. 49

3.6.2 请求头 .. 52

3.6.3 响应头 .. 55

3.6.4 实体头 .. 56

3.7 HTTP 响应正文 . 57

3.7.1 HTML  58

3.7.2 XML .. 60

3.7.3 JSON .. 61

3.8 网络抓包  64

3.8.1 简介  64

3.8.2 使用情境 . 65

3.8.3 浏览器实现网络抓包  65

3.8.4 其他网络抓包工具 .. 70

3.9 本章小结  70

第4 章 网页内容获取  71

4.1 Jsoup 的使用  71

4.1.1 jar 包的下载 .. 71

4.1.2 请求URL  72

4.1.3 设置头信息  75

4.1.4 提交请求参数 .. 78

4.1.5 超时设置 . 80

4.1.6 代理服务器的使用 . 81

4.1.7 响应转输出流（图片、PDF 等的下载）. 83

4.1.8 HTTPS 请求认证  85

4.1.9 大文件内容获取问题  89

4.2 HttpClient 的使用 .. 91

4.2.1 jar 包的下载 .. 91

4.2.2 请求URL  92

4.2.3 EntityUtils 类 . 97

4.2.4 设置头信息  98

4.2.5 POST 提交表单 . 100

4.2.6 超时设置 .. 103

4.2.7 代理服务器的使用 .. 105

4.2.8 文件下载 .. 106

4.2.9 HTTPS 请求认证 . 108

4.2.10 请求重试  111

4.2.11 多线程执行请求 . 114

4.3 URLConnection 与HttpURLConnection  117

4.3.1 实例化  117

4.3.2 获取网页内容  118

4.3.3 GET 请求 .. 118

4.3.4 模拟提交表单（POST 请求） . 119

4.3.5 设置头信息 . 120

4.3.6 连接超时设置  121

4.3.7 代理服务器的使用 .. 122

4.3.8 HTTPS 请求认证 . 122

4.4 本章小结 . 124

第5 章 网页内容解析 . 125

5.1 HTML 解析  125

5.1.1 CSS 选择器 . 125

5.1.2 Xpath 语法  127

5.1.3 Jsoup 解析HTML  128

5.1.4 HtmlCleaner 解析HTML . 135

5.1.5 HTMLParser 解析HTML  139

5.2 XML 解析 .. 144

5.3 JSON 解析 .. 145

5.3.1 JSON 校正  145

5.3.2 org.json 解析JSON . 147

5.3.3 Gson 解析JSON 152

5.3.4 Fastjson 解析JSON . 157

5.3.5 网络爬虫实战演练 .. 159

5.4 本章小结 . 165

第6 章 网络爬虫数据存储  166

6.1 输入流与输出流 . 166

6.1.1 简介 . 166

6.1.2 File 类 . 166

6.1.3 文件字节流 . 169

6.1.4 文件字符流 . 172

6.1.5 缓冲流  176

6.1.6 网络爬虫下载图片实战  180

6.1.7 网络爬虫文本存储实战  184

6.2 Excel 存储 .. 188

6.2.1 Jxl 的使用 . 188

6.2.2 POI 的使用 .. 191

6.2.3 爬虫案例 .. 198

6.3 MySQL 数据存储 .. 202

6.3.1 数据库的基本概念 .. 203

6.3.2 SQL 语句基础  203

6.3.3 Java 操作数据库 .. 207

6.3.4 爬虫案例 .. 217

6.4 本章小结 . 219

第7 章 网络爬虫实战项目  220

7.1 新闻数据采集 .. 220

7.1.1 采集的网页 . 220

7.1.2 框架介绍 .. 222

7.1.3 程序编写 .. 223

7.2 企业信息采集 .. 235

7.2.1 采集的网页 . 235

7.2.2 框架介绍 .. 238

7.2.3 **层信息采集 239

7.2.4 第二层信息采集 248

7.3 股票信息采集 .. 256

7.3.1 采集的网页 . 256

7.3.2 框架介绍 .. 257

7.3.3 程序设计 .. 258

7.3.4 Quartz 实现定时调度任务 .. 267

7.4 本章小结 . 271

第8 章 Selenium 的使用 .. 272

8.1 Selenium 简介 .. 272

8.2 Java Selenium 环境搭建 . 272

8.3 浏览器的操控 .. 274

8.4 元素定位 . 276

8.4.1 id 定位  276

8.4.2 name 定位 . 277

8.4.3 class 定位 .. 278

8.4.4 tag name 定位 . 278

8.4.5 link text 定位 .. 278

8.4.6 Xpath 定位  279

8.4.7 CSS 选择器定位 .. 279

8.5 模拟登录 . 280

8.6 动态加载 数据（操作滚动条） . 283

8.7 隐藏浏览器  285

8.8 截取验证码  287

8.9 本章小结 . 291

第9 章 网络爬虫开源框架  292

9.1 Crawler4j 的使用  292

9.1.1 Crawler4j 简介 292

9.1.2 jar 包的下载  292

9.1.3 入门案例 .. 293

9.1.4 相关配置 .. 297

9.1.5 图片的采集 . 300

9.1.6 数据采集入库  304

9.2 WebCollector 的使用  312

9.2.1 WebCollector 简介 .. 312

9.2.2 jar 包的下载  313

9.2.3 入门案例 .. 313

9.2.4 相关配置 .. 318

9.2.5 HTTP 请求扩展. 319

9.2.6 翻页数据采集  327

9.2.7 图片的采集 . 331

9.2.8 数据采集入库  334

9.3 WebMagic 的使用 .. 347

9.3.1 WebMagic 简介 . 347

9.3.2 jar 包的下载  347

9.3.3 入门案例（翻页数据采集） . 347

9.3.4 相关配置 .. 351

9.3.5 数据存储方式  352

9.3.6 数据采集入库  355

9.3.7 图片的采集 . 365

9.4 本章小结 . 368

作者简介

钱洋

合肥工业大学管理科学与工程系博士、CSDN博客专家。作为技术人员参与过多个横向、纵向学术课题，负责数据采集的设计与开发工作。在CSDN（博客名称：HFUT_qianyang）上撰写了多篇关于数据采集、自然语言处理、编程语言等领域的原创博客。

姜元春

合肥工业大学教授、博士生导师。长期从事电子商务、商务智能、数据采集与挖掘等方面的理论研究与教学工作。先后主持过国家自然科学基金青年科学基金项目、国家自然科学基金重大研究计划培育项目、国家自然科学基金青年科学基金项目、***人文社科青年基金项目、青年学者支持计划、CCF-腾讯犀牛鸟基金项目等课题的研究工作。

^_^:65b907c5ccef3aa167e0462c11b0fddf