用java写爬虫程序，有个网站获取不到链接，求指导

//读取网页上的内容方法---------------------20100125 public String getOneHtml(String htmlurl) throws IOException {

URL url;

String temp;

final StringBuffer sb = new StringBuffer();

try {

url = new URL(htmlurl);

// 读取网页全部内容

final BufferedReader in = new BufferedReader(new InputStreamReader(

urlopenStream(),"GBK"));

while ((temp = inreadLine()) != null) {

sbappend(temp);

}

inclose();

} catch (final MalformedURLException me) {

Systemoutprintln("你输入的URL格式有问题！请仔细输入");

megetMessage();

} catch (final IOException e) {

eprintStackTrace();

}

return sbtoString();

}上面这个方法是根据你传入的url爬取整个网页的内容，然后你写个正则表达式去匹配这个字符串的内容。

首先我们要知道什么是爬虫？爬虫就是一个自动抓取网页数据的程序，是搜索引擎的重要组成部分。通过计算机程序在网络不断通过定制的入口网址去提取网页的链接，并根据这些链接再度抓取提取更深的其它未知的链接，以此下去,最终获取想要的内容。

接下来我们就要思考如何用爬虫抓取网页数据：

1首先要明确网页的三大特征：

1）每一个网页都有唯一统一资源定位符（URL）来进行定位；

2）网页使用超文本标记语言（HTML）来描述页面信息；

3）网页使用超文本传输协议（>

2建立爬虫的设计思路：

1）首先确定需要爬取的网页URL地址；

2）通过>

3）提取HTML页面里有用的数据：

a如果是需要的数据，就保存起来。

b如果是页面里的其他URL，那就继续执行第二步。

比如我们想爬去新浪资讯整站数据内容，观察到新浪首页上方有很多分类，例如新闻、财经、科技、体育、娱乐、汽车，每一个分类下又分很多子类，例如新闻下又分为军事、社会、国际。因此，首先要从新浪的首页开始，找到各个大类的URL链接，再在大类下找到小类的URL链接，最后找到每个新闻页面的URL，按需求爬取文本后者，这就是爬取一整个资源站的思路。

3爬虫的方式

可以做爬虫的语言有很多，如PHP、Java、C/C++、Python等等

但目前Python凭借其语法优美、代码简洁、开发效率高、支持的模块多，相关的>

1 爬虫技术研究综述 引言 随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战。搜索引擎(Search Engine)，例如传统的通用搜索引擎AltaVista，Yahoo!和Google等，作为一个辅助人们检索信息的工具成为用户访问万维网的入口和指南。但是，这些通用性搜索引擎也存在着一定的局限性，如： (1) 不同领域、不同背景的用户往往具有不同的检索目的和需求，通用搜索引擎所返回的结果包含大量用户不关心的网页。 (2) 通用搜索引擎的目标是尽可能大的网络覆盖率，有限的搜索引擎服务器资源与无限的网络数据资源之间的矛盾将进一步加深。 (3) 万维网数据形式的丰富和网络技术的不断发展，、数据库、音频/视频多媒体等不同数据大量出现，通用搜索引擎往往对这些信息含量密集且具有一定结构的数据无能为力，不能很好地发现和获取。 (4) 通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询。 为了解决上述问题，定向抓取相关网页资源的聚焦爬虫应运而生。聚焦爬虫是一个自动下载网页的程序，它根据既定的抓取目标，有选择的访问万维网上的网页与相关的链接，获取所需要的信息。与通用爬虫(generalpurpose web crawler)不同，聚焦爬虫并不追求大的覆盖，而将目标定为抓取与某一特定主题内容相关的网页，为面向主题的用户查询准备数据资源。 1 聚焦爬虫工作原理及关键技术概述 网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统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，如图1(a)流程图所示。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止，如图1(b)所示。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。 相对于通用网络爬虫，聚焦爬虫还需要解决三个主要问题： (1) 对抓取目标的描述或定义； (2) 对网页%B

使用 python爬虫 爬取页面信息。首先从网络上获取芒果TV网页内容，然后提取网页内容中信息到合适的数据结构 ，最后利用数据结构展示并输出结果。

输入：芒果TV的url链接

输出：电视剧信息输出（电视剧，剧情）

技术路线：request—bs4

定向爬虫：仅对输入url进行爬取，不进行扩展爬取

以上就是关于用java写爬虫程序，有个网站获取不到链接，求指导全部的内容，包括:用java写爬虫程序，有个网站获取不到链接，求指导、用Python爬虫可以爬过去的网站吗、网络爬虫等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！