JAVA爬虫框架很多，类似JSOUP，WEBLOGIC之类的爬虫框架都十分好用，个人认为爬虫的大致思路就是：
1、挑选需求爬的URL地址，将其放入需求网络爬虫的队列，也可以把爬到的符合一定需求的地址放入这个队列中
2、获取一个url进行DNS解析，获取其主机IP
3、针对这个url地址将其页面加载下来（也就是这个页面的html或者jsp）加载下来，不同的框架有不同的页面处理方法，和抽取有用信息的方法，类似根据id选择抽取，根据标签抽取，根据class抽取，根据css抽取等。
4、最后Pipeline负责抽取结果的处理，包括计算、持久化到文件、数据库等
在这里我们介绍一种十分方便的爬虫工具：selenium，selenium爬虫个人感觉适合对那种需求登录的页面进行爬取，因为它本身可以加载浏览器驱动，模拟登录这个操作，然后把需求的静态页面加载进来。
from selenium import webdriver import time # browser = webdriver.Chrome() # browser = webdriver.Firefox() # help(webdriver) #加载谷歌浏览器驱动，这里我使用的谷歌，你也可以下载firefox或者ie的驱动 #使用什么驱动则模拟该操作的就是这个浏览器，需要注意的是，chromedriver.exe对不同浏览器版本也是有自己版本的 browser = webdriver.Chrome("D:driverchromedriver.exe") #这里通过get请求需要模拟登录的页面 browser.get("https://crm.xiaoshouyi.com/global/login.action") # # print(browser.page_source) # browser.switch_to_frame("page_source") #这里通过name选择器获取登录名和密码并把需要set值给放进去 browser.find_element_by_name("loginName").send_keys("你的登录名") browser.find_element_by_name("password").send_keys("你的登录密码") #这一步模拟点击登录 browser.find_element_by_class_name("pg-btn-submit").click() # browser.implicitly_wait(10) time.sleep(5) #这一步模拟点击某个a标签连接 hrefs=browser.find_element_by_partial_link_text(u"客户") hrefs.click() time.sleep(5) #我们可以通过browser.page_source把当前页面的静态资源打印出来看看，然后根据自己需求进行提取有用的资源 print(browser.page_source)
现在我们可以看到，我们已经把页面的静态资源加载到了browser里面，我们可以开始根据自己的需求从browser里面拿自己需要的资源了，我这里先简单介绍一下selenium的使用，有关其具体选择器和选择方法，如下所示：
browser.find_element_by_id("id的name") browser.find_element("") browser.find_element_by_tag_name("标签name") browser.find_element_by_class_name("classname") browser.find_element_by_css_selector("css选择器，cssname") browser.find_element_by_partial_link_text("带有链接的文本，获取其跳转地址，后面跟click事件可以模拟跳转") browser.find_element_by_xpath("里面可以跟正则表达式，XPath一般在实际自动化测试项目中用到比较多，其定位元素十分方便")
此处例举xpath用法：
假如一个html是这个样子的：
<html> <body> <form id="myform"> <input name="name" type="text" /> <input name="pwd" type="password" /> <input name="continue" type="submit" value="Login" /> </form> </body> <html>
我们需要用xpath定位他的pwd：
pwd = browser.find_element_by_xpath("//form[input/@name='pwd']")---获取form下input标签中name为pwd的资源 pwd = browser.find_element_by_xpath("//form[@id='loginForm']/input[2]")---获取第二个input标签的资源 pwd = browser.find_element_by_xpath("//input[@name='pwd']")---直接获取input为pwd的资源以上为selenium的基础用法，欢迎提问评论