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/5.0(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rawHtmlString 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。