Web-Harvest是一个Java开源Web数据抽取工具。它能够收集指定的Web页面并从这些页面中提取有用的数据。其实现原理是，根据预先定义的配置文件用httpclient获取页面的全部内容（关于httpclient的内容，本博有些文章已介绍），然后运用XPath、XQuery、正则表达式等这些技术来实现对text/xml的内容筛选操作，选取精确的数据。
前两年比较火的垂直搜索（比如：酷讯等）也是采用类似的原理实现的。Web-Harvest应用，关键就是理解和定义配置文件，其他的就是考虑怎么处理数据的Java代码。当然在爬虫开始前，也可以把Java变量填充到配置文件中，实现动态的配置。 现在以爬取天涯论坛的所有版面信息为例，介绍Web-Harvest的用法，特别是其配置文件。
天涯的版块地图页面时：http://www。tianya。cn/bbs/index。shtml [天涯的部分版面列表] 我们的目标就是要抓取全部的版块信息，包括版块之间的父子关系。
答：您好，一般这种问题的出现是软件导致的，您可以卸掉再重新下载一次。如果我的回答对您有用的话，麻烦点个好评。谢谢！详情>>
