这里提到了freecms，其实抓取和freecms没什么关系，主要还是靠jsoup
jsoup里提供了html解析和读取的方法，集成了httprequest，可以从网络和本地读取，支持非闭合标签等。
csdn中有比较详细的介绍
http://blog.csdn.net/column/details/jsoup.html
一般抓取页面的内容，都是后台进行的，多数是周期抓取，那么肯定要有调度的方法，包括 Timer，Scheduler, Quartz 以及 JCron Tab等等。这篇文件介绍和对比了这几种方法。
http://www.ibm.com/developerworks/cn/java/j-lo-taskschedule/
至于抓取后的数据怎么处理，这里就不多介绍了。切记要留意数据版权，不要侵权，该注明引用的地方要注明。数据不该落地的不要落地。