Webharvest网络爬虫操纵总结[Java编程]

Web-Harvest是一个Java开源Web数据抽取工具.它可以汇集指定的Web页面并从这些页面中提取有效的数据.其实现原理是,按照预先定义的配置文件用httpclient获得页面的全部内容（关于httpclient的内容,本博有些文章已介绍）,然后应用XPath、XQuery、正则表达式等这些技术来实现对text/xml的内容挑选操作,选取切确的数据.前两年对比火的垂直搜索（比方:酷讯等）也是采取近似的原理实现的.Web-Harvest利用,关键就是理解和定义配置文件,其他的就是考虑怎么处理数据的Java代码.当然在爬虫开始前,也可以把Java变量填充到配置文件中,实现动态的配置.

目前以爬取天际论坛的全部版面信息为例,介绍Web-Harvest的用法,分外是其配置文件.

天际的版块地图页面时:http://www.tianya.cn/bbs/index.shtml

[天际的部份版面列表]

我们的目标就是要抓取全部的版块信息,包含版块之间的父子关系.

先查看版块地图的页面源代码,追求规律:

<div　class="backrgoundcolor">
<div　class="bankuai_list">
　　　　　　　 <h3>社会民生</h3>
　　　　　　　 <ul>
　　　　　　　　　　　　　　 <li><a　href="http://www.tianya.cn/publicforum/articleslist/0/free.shtml"　id="item天际杂谈">天际杂谈</a></li>
　　　　　　　　　　　　　　 <li><a　href="http://www.tianya.cn/publicforum/articleslist/0/worldlook.shtml"　id="item国际察看">国际察看</a></li>
　　　　　　　　　　　　　　 <li><a　href="http://www.tianya.cn/publicforum/articleslist/0/news.shtml"　id="item天际时空">天际时空</a></li>
　　　　　　　　　　　　　　 <li><a　href="http://www.tianya.cn/publicforum/articleslist/0/no06.shtml"　id="item传媒江湖">传媒江湖</a></li>
　　　　　　　　　　　　　　 ……　//省略
</ul>
</div>
<div　class="clear"></div>
</div>
<div　class="nobackrgoundcolor">
<div　class="bankuai_list">
　　　　　　　 <h3>文学读书</h3>
　　　　　　　　　　　　　　 <ul>
　　　　　　　　　　　　　　　　　　　　　 <li><a　href="http://www.tianya.cn/techforum/articleslist/0/16.shtml"　id="item莲蓬鬼话">莲蓬鬼话</a></li>
　　　　　　　　　　　　　　　　　　　　　 <li><a　href="http://www.tianya.cn/publicforum/articleslist/0/no05.shtml"　id="item煮酒论史">煮酒论史</a></li>
　　　　　　　　　　　　　　　　　　　　　 <li><a　href="http://www.tianya.cn/publicforum/articleslist/0/culture.shtml"　id="item舞文弄墨">舞文弄墨</a></li>
　　　　　　　　　　　　　　　　　　　　　 …….//省略
　　　　　　　　　　　　　　 </ul>
</div>
<div　class="clear"></div>
</div>
…….//省略

　　以上是“Webharvest网络爬虫操纵总结[Java编程]”的内容，如果你对以上该文章内容感兴趣，你可以看看七道奇为您推荐以下文章：