简易Java爬虫制作

一、文章来由

本来最近任务挺多，但是今天想放松一下，正巧Bill喜欢玩英语配音，而配音都是在配音软件的云上，我想把那些都拿到，于是就写一了一个爬虫，接着就有了这篇爬虫教程~~

二、爬虫！！爬虫！！

首先要搞清什么叫爬虫~~

络爬虫（又被称为 页蜘蛛， 络机器人，在FOAF 区中间，更经常的称为 页追逐者），是一种按照一定的规则，自动地抓取万维 信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

当然Java本身应该不算是脚本语言（一个脚本通常是解释运行而非编译，Java是不是解释型语言现在还存在争议），但是做这么高级的事情，确实有点像脚本。

那为什么叫简易爬虫呢，因为是直接用 BufferedReader 读 URL 中的 HTML ，然后用正则表达式去匹配是不是我要的 页。这种简易爬虫，只能用在页面没有特殊限制或者反爬虫机制的地方，如果页面有登陆验证或者是异步等反爬虫，通过这个URL 是不可能一次拿到真实地址的（一般会错误被导到另外一个页面）

通常，爬虫需要一个种子页面，是一个源 URL 地址，通过这个一层层爬下去

Bill 以前用过 httpclient 的 jar 包做过稍微复杂一点的爬虫，这个 jar 包可以把 HTML 用自己的数据结构存起来，形成一棵树结构（HTML 本身就是一种树结构的标记语言），然后提供各种过滤方法，可以找到你要的特定信息。

当然还有各种爬虫框架、模拟用户输入的包，可以完成更高难度的操作，绕过诸如淘宝这类有反爬虫技术的 站，这个大家有兴趣再去研究。

三、虫子制作过程

我提供了源码下载（当然是免金币的~~），所以，在文章中就不复制所有源代码了，只把关键代码、主要思想和关键函数讲一讲。

爬下静态 页的代码，可以很明显看到，只是直接用 BufferedReader 获取 URL 中的 HTML，而这些基本的函数和类，在Java标准类库中都有，不用额外导包。

爬虫的种子地址当然是 bill 希望去爬的趣配音web页面地址，我希望得到这些web页面里面，是我配音的、真实MP4地址~~

代码中我是用 url = “http://video.qupeiyin.cn/index.php=home&c=show&a=share&id=4102907“; 开始爬的~~

而且爬虫通常必须用多线程，不用多线程，想想有400w+个页面，一分钟按500个页面算，都要（4000000/500/60）=133个小时，hold不住的~~

下面的代码是，通配符匹配的代码：

关于多线程共享，这里要粘贴一段test的代码：

这是一个可能的结果：

我在代码中把，爬到的有用地址写到了txt里面。具体追加过程见附录。

关于多线程，Java提供了不止一种方法，可能你会说，其实继承 Thread 类，跟实现 Runnable 接口差不多，因为 其实Thread中的run方法调用的是Runnable接口的run方法而已。但是他们还是有相当多的不一样，详情可以参考这篇文章，写的不错，但是！！

这篇文章里面也有不少错误，具体需要我们自己仔细分辨！！毕竟自己搞懂的才是真正自己的，如果要看，可以结合评论一起看~~

也差不多就这样了，主要还是读源码，理解，做实验~~

四、小结

要对写出爬虫有信心，其实没那么难~~~好了，2小时就耍完了这个，Bill可以安心去写项目了~bye

源代码下载地址（2.0版）：http://download.csdn.net/detail/scythe666/8973453

之前有另一版，因为是用线程共享写的，出现了线程冲突，输出了很多个一模一样的地址，所以有了上面的第二版改版 http://download.csdn.net/detail/scythe666/8973067

五、附：

Java追加文件内容的三种方法