本教程介绍如何使用Java编写程序来抓取网页内容，适用于获取无API的数据源。涵盖HTML基础知识、网页抓取技巧及HTML解析方法。
本阶段说明
1、目标：编写Java程序对于网页中的内容进行提取。
2、用途：获取没有提供接口的网站中的数据。比如分析购物网站的价格；获取竞争对手网站的关键信息；抓取网站上的信息做数据分析。
3、主要内容：HTML基础；Java中抓取网站内容；Java中进行HTML分析；
4、网站内容一直在变，可能你看的时候的网站内容和讲课时候不一样了，学思想，而不是死记硬背。
5、建议用Chrome浏览器，有的浏览器可能不行。
Warning：遵纪守法！
浏览网站过程
1、我们在浏览器上输入网址并且回车，之后发生了什么？
什么是HTML
1、服务器并不是把网页的图像传递给浏览器，而是给到一个HTML的文本文档，因为这样不仅节省流量，而且浏览器可以根据分辨率，设备等进行不同的图形渲染。以youzack.com在不同分辨率下为例。
2、通过查看源码的形式查看一下HTML的内容。
3、对于写爬虫来讲，不需要会写HTML，只要能读懂HTML即可。
<Family>
</Family>
标签（节点）可以有属性：
<Family Addr="北京市。。。" Tel="010-333">
</Family>
标签可以嵌套，标签可以有子标签
<Family> 父节点
<Father>光头强</Father> 子节点
<Mother Name="翠花" Age="18">
<head></head>
<body></body>
</Mother>
<Children>
<Child Age="5">Tom</Child>
<Child Age="8">Lily</Child>
</Children>
</Family>
HTML整体结构
HTML常用元素
1、div代表划分的一个“区域”，可以嵌套（父子关系）。div是进行页面布局的经典元素。
2、超链接是a，内部文本是超链接显示内容，href属性为超链接的网址，可以是相对路径，也可以是绝对路径，也可以是全网址。
3、图片是img，src是图片的路径，可以是相对路径，也可以是绝对路径，也可以是全网址。
4、id是唯一的编号；name是名字，可能重复；class是样式名，一个元素可以有多个样式名；
扫一扫
1585
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
