Java爬虫系列一：写在开始前

最近在研究java爬虫，小有收获，打算一边学一边跟大家分享下，在干货开始前想先跟大家啰嗦几句。

一、首先说下为什么要研究java爬虫

python已经火了很久了，它功能强大，其中很擅长的一个就是写爬虫程序。作为一名javaer，想要写爬虫的话难道要学习python吗？

想到这个问题我去度娘了下，其实java也可以写爬虫，只是需要的代码行数要比python多。但是用java写就不需要专门为了爬虫再去学习一门新语言了，感觉省时省力省麻烦。刚好最近有点时间，就去专门研究了下。

二、java爬虫要考虑的问题以及用到哪些技术和工具

爬虫需要考虑的问题有很多，但是对于我们入门级的来说主要有如下几个：

1. 如何抓取页面数据，可以使用httpclient或htmlunit

2. 如何解析页面数据，可以使用jsoup

3. 如何反反爬虫，可以伪装浏览器和使用代理ip

4. 如何url去重，可以建立一个队列用来记录已经爬取过的url，每次处理前先看下当前要处理的url是否在队列内

5. 如何持久化数据，可以保存到数据库，也可以保存到文件中

接下来的文章将逐步分享这些内容。

三、优秀的开源java爬虫

可以看下知乎上的这个内容

《github 上有哪些优秀的 java 爬虫项目》

https://www.zhihu.com/question/31427895

四、学习资料推荐

1.《自己动手写网络爬虫》罗刚 王振东 编著，应该是市面上唯一一个用java写案例的爬虫书籍，时间比较久了，但是理论知识还是值得看的

2.百度