我们当下生活在信息化时代,信息数据成为一种重要资源,而比较火热的大数据就是基于数据进行算法分析。而爬虫就是一种获取数据的一种方法,我本人最近刚好有空闲时间玩爬虫,借此文章为初学者引导以及自我记忆。我选取的小巧灵活的webMagic框架进行实践。
写在前面
1.注意每次访问页面后最好线程sleep一点时间(不要因为我们的随便练手影响到你爬取数据网站的运转,大家都是程序员,别逼人家提高反爬难度,下一章会对一些常见反爬手段进行破解)
2.jdk环境
3.maven 引入依赖
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.7.3</version>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.7.3</version>
</dependency>
demo:爬取csdn博客信息
目标网站:https://blog.csdn.net/caihaijiang/art