近日在做爬虫功能，爬取网页内容，然后对内容进行语义分析，最后对网页打标签，从而判断访问该网页的用户的属性。 在爬取内容时，遇到乱码问题。故需对网页内容编码格式做判断，方式大体分为三种：一、从header标签中获取Content-Type=#Charset；二、从meta标签中获取 ...

Maven官网：https://mvnrepository.com/artifact/net.sourceforge.htmlunit/htmlunit/2.37.0 （一）使用前的配置： 　　1 ...

demo2: 推荐使用：Jupyter Notebook 做练习，很方便。 ...

前言： 这是一篇迟到很久的文章了，人真的是越来越懒，前一阵用jsoup实现了一个功能，个人觉得和selenium的webdriver原理类似，所以今天正好有时间，就又来更新分享了。 实现场景： 爬取博客园https://www.cnblogs.com/longronglang，文章列表中标题 ...

创建一个新网站，一开始没有内容，通常需要抓取其他人的网页内容，一般的操作步骤如下： 根据url下载网页内容，针对每个网页的html结构特征，利用正则表达式，或者其他的方式，做文本解析，提取出想要的正文。 为每个网页写特征分析这个还是太耗费开发的时间，我的思路是这样的。 Python ...

创建一个新网站，一开始没有内容，通常需要抓取其他人的网页内容，一般的操作步骤如下： 根据url下载网页内容，针对每个网页的html结构特征，利用正则表达式，或者其他的方式，做文本解析，提取出想要的正文。 为每个网页写特征分析这个还是太耗费开发的时间，我的思路是这样的。 Python ...

GetPageInfo 获取数据、存入本地、从本地读取数据 忽略https证书（http应该不需要，没试过） ...

【背景】 　　在上一篇博文 java爬取网页内容 简单例子（1）——使用正则表达式 里面，介绍了如何使用正则表达式去解析网页的内容，虽然该正则表达式比较通用，但繁琐，代码量多，现实中想要想出一条简单的正则表达式 对于没有很好正则表达式基础的人——比如说我T_T——是一件蛮困难的事。这一 ...