原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第8章-爬虫
学习目标：
说出网络爬虫的作用
能够使用webmagic爬取网络数据
完成十次方文章爬虫微服务
完成十次方用户数据的爬取
1谈谈网络爬虫
1.1什么是网络爬虫
在大数据时代，信息的是一项重要的工作，而互联网中的数据是海量的，如果单纯
靠人力进行信息，不仅低效繁琐，搜集的成本也会提高。如何自动高效地获取互联网
中我们感的信息并为我们所用是一个重要的问题，而爬虫技术就是为了解决这些问题
而生的。
网络爬虫（Webcrawler）也叫做网络机器人，可以代替人们自动地在互联网中进行数
据信息的与整理。它是一种按照一定的规则，自动地抓取网信息的程序或者脚
本，可以自动所有其能够到的页面内容，以获取或更新这些的内容和检索方
式。
从功能上来讲，爬虫一般分为数据，处理，三个部分。爬虫从一个或若干初始
网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新
的URL放入队列,直到满足系统的一定停止条件。
1.2网络爬虫可以做什么
我们初步认识了网络爬虫，网络爬虫具体可以做什么呢？
可以实现搜索引擎
大数据时代，可以让我们获取的数据源。
快速填充测试和运营数据
第8章爬虫
学习目标：
Webmagic爬取网络数据爬取网
络数据爬取网络数据完成十次方
文章爬虫微服务完成十次方用户
数据的爬取
1谈谈网络爬虫
1.1什么是网络爬虫
在大数据时代，信息的是一项重要的工作，而互联网中的数据是海量的，如果单
纯，不仅低效繁琐，搜集的成本也会提高。如何自动高效地获取互联网，而爬虫技术就是
为了解决这些问题，而爬虫技术就是为了解决这些问题，而爬虫技术就是为了解决这些问
题
网络爬虫（Webcrawler）也叫做网络机器人，可以代替人们自动地在互联网中进行数，
自动地抓取网信息的程序或者脚，可以自动所有其能够到的页面内容，以获
取或更新这些的内容和检索方，以获取或更新这些的内容和检索方
从功能上来讲，爬虫一般分为数据，处理，三个部分。爬虫从一个或若干初
始网页的url开始，获得初始网页上的url，在抓取网页的过程中，不断从当前页面上抽取
新不断从当前页面上抽取新url放入队列，直到满足系统的一定停止条件。
1.2网络爬虫可以做什么
我们初步认识了网络爬虫，网络爬虫具体可以做什么呢？
可以实现搜索引擎，可以让我们获取的
数据源。可以让我们获取的数据源。
为训练数据集
1.3网络爬虫常用的技术（Java）
1.3.1底层实现HttpClient+Jsoup
HttpClient是ApacheJakartaCommon下的子项目，用来高效的、的、功能
丰富的支持HTTP协议的客户端编程工具包，并且它支持HTTP协议的版本和建议。
文档评论（0）