2、定时抓取固定网站新闻标题、内容、发表时间和来源。
3、爬虫实现原理：向爬取网站发送一个http请求取得到反馈数据，解析反馈数据获得你想要的数据。Java实现爬虫需要会Java编写，http请求也可以用HttpComponents客户端，解析数据可以用Java的Matcher 类 。
4、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。
5、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。
selenium + phantomjs 模拟点击按钮jsoup爬虫，或者另写代码实现js函数openVideo()；顺着第一步再去解析新页面，看看能否找到视频的原始地址；假设视频的原始地址第二步找到了，在通过视频的原始地址下载视频就OK啦。
环境准备Linuxjsoup爬虫：sudo apt-get install python-qt4Windowsjsoup爬虫：第一步：下载.whl，地址：https：//，这里可以下载不同的python版本对应的包。
可以。不过要写专门的代码逻辑。c#写一个js的算法。生成url.然后去获取。
1、很多网站是用js或Jquery 生成数据的，到后台获取到数据以后，用 document.write()或者(#id).html= 的方式 写到页面中，这个时候用浏览器查看源码是看不到数据的。
2、其一：js动态生成的select，在生成时设置上select的name属性，然后通过form表单提交，java后台就能用request根据select的name属性获取。
3、首先明确我指的动态数据是什么。名词定义：动态数据在这里指的是网页中由Javascript动态生成的页面内容，即网页源文件中没有，在页面加载到浏览器后动态生成的。下面进入正题。
4、对于提到的两种方法，抓包分析获取请求的参数和驱动浏览器内核执行 js 代码，两种方法各有优点，选择适合你的方式就好。
5、比如，我们如果想得到一个网页上所有包括“java”关键字的文本内容，就可以逐行对网页代码进行正则表达式的匹配。最后达到去除html标签和不相关的内容，只得到包括“java”这个关键字的内容的效果。
用找的标签调用一下text（）这个方法就可以得到两个标签之间的内容了 Element对象的textNodes()或ownText()方法。
而jsoup只是对html进行解析，所以是找不到js动态生成的哪些信息的。
首先IP是不能伪造的，因为涉及到tcp/ip的通信问题。除非你根本不想要返回结果，那就成了DDOS攻击了，最常见的是更换代理。使用代理访问。既然是过于频繁就把调用时间弄长点。这样估计就可以了。
从网页上爬取图片的流程和爬取内容的流程基本相同，但是爬取图片的步骤会多一步。
Java网络爬虫可以通过使用第三方库或自行编写代码来实现。以下是一种常见的实现方式： 导入相关的库：在Java项目中，可以使用Jsoup等第三方库来处理HTML页面，获取页面内容。
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。