Java爬虫——爬虫入门，零基础小白到精通，收藏这篇就够了

• 爬虫框架介绍
  • Heritrix
    • 优势
    • 劣势
    • 简单demo地址
  • crawler4j
    • 优势
    • 劣势
    • 简单demo地址
  • WebMagic
    • 优势
    • 劣势
    • 简单demo地址
• 快速入门
  • seimicrawler
  • 项目地址
  • 简单爬虫实现
    • 导入项目
    • 编写爬虫
    • 启动爬虫
• 同系列文章

爬虫框架介绍

java爬虫框架非常多，比如较早的有Heritrix，轻量级的crawler4j，还有现在最火的WebMagic。
他们各有各的优势和劣势，我这里顺便简单介绍一下吧。

Heritrix

优势

java的第一批爬虫框架，拥有独立的后台页面，可以实现界面操作去爬去网页。

劣势

相对其他框架，代码相对臃肿，上手难度较高，解析网页不如其他框架灵活。

简单demo地址

https://github.com/a252937166/Heritrix

crawler4j

优势

代码相当轻量级，可实现多线程爬取，上手难度低。

劣势

封装程度太低，很多功能需要开发者自己封装实现，多线程下，很容易重复爬取相同资源。

简单demo地址

https://github.com/a252937166/crawler4j

WebMagic

优势

这框架我们公司在用，各方面都比较完美吧，上手难度低，社区活跃度也较高，有问题可以得到及时反馈。

劣势

没有持久层框架的封装，需要自己实现。

简单demo地址

这个框架我没有自己的demo，大家可以去开发者的GitHub看看
https://github.com/code4craft/webmagic

快速入门

seimicrawler

我这里推荐使用seimicrawler，个人感觉这个框架配合JsoupXpath，解析网页真心非常方便，而且框架整合了spring，用起来也很顺手。

项目地址

中文官网地址：http://seimicrawler.org/
官方Github地址：https://github.com/zhegexiaohuozi/SeimiCrawler
自己修改项目地址：https://github.com/a252937166/seimicrawler/

简单爬虫实现

导入项目

下载源码，解压后把demo目录的文件单独拿出来，project目录不用管，里面是这个框架的一些源码，demo直接maven依赖它就可以了。
以maven的形式，导入demo，等待jar拉取玩，项目不报错就说明导入成功了。

编写爬虫

打开crawlers文件夹，里面每个文件都是一个爬虫，我们可以学习一下Basic，这是开发者写的最简单的爬虫demo，其他的都可以以此内推。

package com.ouyang.crawlers; import cn.wanghaomiao.seimi.annotation.Crawler; import cn.wanghaomiao.seimi.def.BaseSeimiCrawler; import cn.wanghaomiao.seimi.struct.Request; import cn.wanghaomiao.seimi.struct.Response; import cn.wanghaomiao.xpath.model.JXDocument; import java.util.HashMap; import java.util.List; import java.util.Map; /** * @author 汪浩淼 [et.tw@163.com] * @since 2015/10/21. */ @Crawler(name = "basic") public class Basic extends BaseSeimiCrawler { @Override public String[] startUrls() { //两个是测试去重的 return new String[]{"http://www.cnblogs.com/","http://www.cnblogs.com/"}; } @Override public void start(Response response) { JXDocument doc = response.document(); try { List<Object> urls = doc.sel("//a[@class='titlelnk']/@href"); logger.info("{}", urls.size()); Map map = new HashMap(); map.put("ddd","aaa"); for (Object s:urls){ push(new Request(s.toString(),"getTitle").setParams(map)); } } catch (Exception e) { e.printStackTrace(); } } public void getTitle(Response response){ JXDocument doc = response.document(); try { logger.info("url:{} {}", response.getUrl(), doc.sel("//h1[@class='postTitle']/a/text()|//a[@id='cb_post_title_url']/text()")); //do something } catch (Exception e) { e.printStackTrace(); } } }

我来解释一下，response.document()表示把网页返回信息解析为一个JXDocument类，JXDocument支持JsoupXpath语法，比如//a[@class='titlelnk']/@href，表示从网页根目录下，查找<a class='titlelnk'></>，并获取其href的值。具体语法可以见http://www.w3school.com.cn/xpath/xpath_syntax.asp。

爬虫需要实现的具体业务，在start()方法里实现就行了，想要继续爬取新的网页，用push()实现，push()会新开启一个线程，push(new Request(s.toString(),"getTitle").setParams(map)，表示爬取s.toString()，这个网页，并且回调getTitle()方法。

@Crawler(name = "basic")表示爬虫名字。

启动爬虫

可以写一个main函数，new一个Semi()对象，调用其goRun()方法机型了。

public class Boot { public static void main(String[] args){ Seimi s = new Seimi(); s.goRun("basic"); } }

以上代码就表示启动basic爬虫，运行main函数就开始爬取网页了。

图(1)

同系列文章

java爬虫系列（二）——爬取动态网页
java爬虫系列（三）——漫画网站爬取实战
java爬虫系列（四）——动态网页爬虫升级版
java爬虫系列（五）——今日头条文章爬虫实战

根据最近的行业调研和招聘数据，AI的发展确实对Java工程师提出了新挑战，但也带来了明确的转型机遇。其现状可概括为：市场分化明显，初级岗位收缩，但“Java+AI”的复合型人才需求正在崛起。

🛠️ 给Java工程师的转型行动建议

转变核心角色定位

• 目标应从“业务代码实现者”转向 “智能系统构建者” 或 “AI与业务的中枢架构师” 。这意味着你的核心价值在于设计能容纳AI能力的系统、确保其稳定高效运行，并深刻理解业务以找到AI的最佳落地场景

构建“Java + AI”双技能栈：

• 巩固Java深度：深入JVM性能调优、分布式系统设计，这是你区别于纯AI算法工程师的基石。

• 学习AI应用层技术：不必从零开始研究算法。优先学习如何使用AI工具和框架，例如：

  Prompt Engineering（提示词工程）：高效驱动大模型的关键技能。

  AI应用框架：学习 LangChain4J、Spring AI 等，掌握在Java中集成和调度AI模型的方法。

  向量数据库：了解Milvus等，这是构建AI语义搜索、推荐系统的基础。

从“用AI辅助编程”开始实践

• 立即在日常工作中使用GitHub Copilot等工具，亲身体验其如何改变工作流。同时，警惕过度依赖，将节约出的时间用于更高层的设计和优化工作。

选择垂直领域深耕

• 将你的Java经验与某个行业（如金融、医疗、工业物联网）结合，成为既懂行业业务又懂AI落地解决方案的专家，这会形成强大的竞争壁垒。

因此捕获AI，掌握技术是关键，让AI成为我们最便利的工具.

一定要把现有的技术和大模型结合起来，而不是抛弃你们现有技术！掌握AI能力的Java工程师比纯Java岗要吃香的多。

即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地！大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇！

如何学习AGI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享