Java爬虫开发总结

Java爬虫需要的库：主要是Jsoup和OKHTTP

具体的依赖如下：

<!--        为了利用httpclient访问url，爬虫用-->
        <dependency>
            <groupId>commons-httpclient</groupId>
            <artifactId>commons-httpclient</artifactId>
            <version>3.1</version>
        </dependency>
 
        <!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.8.3</version>
        </dependency>
        <!-- 文件下载 -->
        <dependency>
            <groupId>commons-io</groupId>
            <artifactId>commons-io</artifactId>
            <version>2.5</version>
        </dependency>
 
        <!-- https://mvnrepository.com/artifact/org.apache.httpcomponents/httpclient -->
        <dependency>
            <groupId>org.apache.httpcomponents</groupId>
            <artifactId>httpclient</artifactId>
            <version>4.5.5</version>
        </dependency>

其中jsoup主要是实现爬虫页面解析，okhttp用来做数据请求获取页面信息

工具类文件地址（我的码云仓库）：

https://gitee.com/stephaniezh...

Jsoup页面解析注意
本身Jsoup提供了很多的条件筛选接口，比如按class筛选，按attr筛选等，但是我发现不知道是自己使用不准确还是功能不稳定，很多时候按class指定查找元素等很不好用，所以我就会后来一律使用：

Element parents; Elements childs = parents.getAllElements();

大量使用getAllElements()这个函数，然后从找出的childs中继续筛选想要的hml元素，比如判断child.html()是否包含某个特征样式串等，找到想要的节点

使用代理服务器提高成功率
我目前主要使用的两个代理服务器：

但是因为服务器上的代理IP是会不停更新或失效的（每天），所以需要动态的从这些代理服务器上获取最新的代理IP端口，在程序执行爬虫操作的时候，一旦发现哪个IP不可用就丢弃他，以便保证我们程序使用的代理永远是新的更有效的

国内最新免费HTTP代理IP平台 - 蜜蜂代理

浏览器爬虫插件WebScrapper
个别时候，我们有可能需要临时批量采集一些网页数据，直接开发程序耗费的成本可能比较高，就可以考虑用浏览器爬虫插件，我最近用了一个WebScrapper，Chrome和Edge都有都可以用的

注意要点
（1） 爬虫为了提高访问成功率，除了基础的获取页面请求，还可能需要修饰一下请求Header，以及cookie一些数据

（2）避免被服务器封禁号，可能需要切不同的IP进行尝试，即处理一下代理IP，做成维护动态的代理IP后重试