1、//isUrlAlreadyVisited：URL是否访问过，大型的搜索引擎往往采用BloomFilter进行排重，这里简单使用HashMap //isDepthAcceptable：是否达到指定的深度上限。爬虫一般采取广度优先的方式。
创新互联是一家以网络技术公司，为中小企业提供网站维护、成都网站设计、成都网站制作、网站备案、服务器租用、域名申请、软件开发、成都小程序开发等企业互联网相关业务，是一家有着丰富的互联网运营推广经验的科技公司，有着多年的网站建站经验，致力于帮助中小企业在互联网让打出自已的品牌和口碑，让企业在互联网上打开一个面向全国乃至全球的业务窗口：建站服务电话：028-86922220
2、你可以简单的使用httpclient发送get/post请求，获取结果，然后使用截取字符串、正则表达式获取想要的内容。或者使用像Jsoup/crawler4j等这些已经封装好的类库，更方便的爬取信息。
3、WebSPHINX是一个Java类包和Web爬虫的交互式开发环境。Web爬虫(也叫作机器人或蜘蛛)是可以自动浏览与处理Web页面的程序。WebSPHINX由两部分组成：爬虫工作平台和WebSPHINX类包。
4、普通的网页直接用httpclient封装的API就可以获取网页HTML了，然后 JSoup、正则 提取内容。若网站有反爬虫机制的，会需要构造User-Agent 伪装浏览器； 若有需要登录的，会传入cookie进去。
1、通过解析爬取的网页源代码（html）进行字符串的操作即可，现在有相应的第三方jar包可以帮你更快的完成这部分工作，例如htmlpaser，获取到对应的地址，然后进行保存或下载。
2、出现这种情况的原因在于你访问的图片资源是受保护的，里面有判断是否登录的判断，防止盗链或者下载用的。
3、Jsoup简述 Java中支持的爬虫框架有很多，比如WebMagic、Spider、Jsoup等。
4、在html5以前，一般图片是三种 一种是 img 的src中， 一种是各个对象的background属性 还有一种就是在css中。第三种特别麻烦，需要非常复杂的判断。前两种都可通过正则表达式过滤。html以后，有了一些自己用代码画图的方式。
5、这是一个图片文件，是不是应该不能直接用HttpsURLConnection 链接？而是应该当一个文件下载下来。
6、Java获取访问不了的照片的方法有以下几种：使用URL：可以使用Java的URL类来读取图片，同时还可以设置一些超时参数，以避免下载超时。
1、原理即是保存cookie数据保存登陆后的cookie.以后每次抓取页面把cookie在头部信息里面发送过去。系统是根据cookie来判断用户的。有了cookie就有了登录状态，以后的访问都是基于这个cookie对应的用户的。
2、使用Java写爬虫，常见的网页解析和提取方法有两种：利用开源Jar包Jsoup和正则。一般来说，Jsoup就可以解决问题，极少出现Jsoup不能解析和提取的情况。Jsoup强大功能，使得解析和提取异常简单。知乎爬虫采用的就是Jsoup。
3、Java开源Web爬虫 Heritrix Heritrix是一个开源，可扩展的web爬虫项目。Heritrix设计成严格按照robots.txt文件的排除指示和META robots标签。更多Heritrix信息 WebSPHINX WebSPHINX是一个Java类包和Web爬虫的交互式开发环境。
4、学会用chrome network 分析请求，或者fiddler抓包分析。普通的网页直接用httpclient封装的API就可以获取网页HTML了，然后 JSoup、正则 提取内容。
5、缺点：需要控制并发，并且要控制什么时候销毁线程（thread1空闲，并且queue为空不代表任务可以结束，可能thread2结果还没返回），当被抓取的网站响应较慢时，会拖慢整个爬虫进度。
6、最近刚好在学这个，对于一些第三方工具类或者库，一定要看官方tutorial埃 学会用chrome network 分析请求，或者fiddler抓包分析。 普通的网页直接用httpclient封装的API就可以获取网页HTML了，然后 JSoup、正则 提取内容。
