1. crawler4j基础
crawler4j是一个基于Java的爬虫开源项目，其官方地址如下：
http://code.google.com/p/crawler4j/
crawler4j的使用主要分为两个步骤：
实现一个继承自WebCrawler的爬虫类；通过CrawlController调用实现的爬虫类。
WebCrawler是一个抽象类，继承它必须实现两个方法：shouldVisit和visit。其中：
shouldVisit是判断当前的URL是否已经应该被爬取（访问）；visit则是爬取该URL所指向的页面的数据，其传入的参数即是对该web页面全部数据的封装对象Page。
另外，WebCrawler还有其它一些方法可供覆盖，其方法的命名规则类似于Android的命名规则。如getMyLocalData方法可以返回WebCrawler中的数据；onBeforeExit方法会在该WebCrawler运行结束前被调用，可以执行一些资源释放之类的工作。
相对而言，CrawlController的调用就比较格式化了。一般地，它的调用代码如下：
String crawlStorageFolder = "data/crawl/root";
int numberOfCrawlers = 7;
CrawlConfig config = new CrawlConfig();
config.setCrawlStorageFolder(crawlStorageFolder);
/*
* Instantiate the controller for this crawl.
*/
PageFetcher pageFetcher = new PageFetcher(config);
RobotstxtConfig robotstxtConfig = new RobotstxtConfig();
RobotstxtServer robotstxtServer = new RobotstxtServer(robotstxtConfig, pageFetcher);
CrawlController controller = new CrawlController(config, pageFetcher, robotstxtServer);
/*
* For each crawl, you need to add some seed urls. These are the first
* URLs that are fetched and then the crawler starts following links
* which are found in these pages
*/
controller.addSeed("http://www.ics.uci.edu/~welling/");
controller.addSeed("http://www.ics.uci.edu/~lopes/");
controller.addSeed("http://www.ics.uci.edu/");
/*
* Start the crawl. This is a blocking operation, meaning that your code
* will reach the line after this only when crawling is finished.
*/
controller.start(MyCrawler.class, numberOfCrawlers);
CrawlController自带多线程功能，start方法中的第二个参数numberOfCrawlers即是同时开启的线程数。
另外，由于CrawlController对WebCrawler特殊的调用方式――反射（上述代码最后一行），因此WebCrawler的实现类必须拥有无参的构造方法，且有参的构造方法不会生效。对WebCrawler的实现类的私有成员的赋值需要通过静态方法来实现，示例参见crawler4j提供的例子：Image Crawler
更多信息请参见crawler4j的代码和示例。
2. jsoup基础
jsoup是一个基于Java的开源HTML解析器，其官网地址如下：
http://jsoup.org/
jsoup最大的特点，或者说，它比使用DOM4J进行HTML解析更好的原因，是它可以采用jQuery选择器的语法。
例如：
Document doc = Jsoup.connect("http://en.wikipedia.org/").get();
Elements newsHeadlines = doc.select("#mp-itn b a");
上述代码就是获取了http://en.wikipedia.org/页面中id为mp-itn的元素下的标签中的标签，与jQuery选择器的结果一致。
更多jsoup的使用方法请参见jsoup的示例（在主页的右侧Cookbook Content中）。
需要特别说明的是，jsoup中主要有三种操作对象：Document、Elements及Element。其中：
Document继承自Element类，它包含页面中的全部数据，通过Jsoup类的静态方法获得；Elements是Element的集合类；Element是页面元素的实体类，包含了诸多操作页面元素的方法，其中除了类似于jQuery选择器的select方法外，还有大量类似于JS和jQuery的对DOM元素进行操作的方法，如getElementById，text，addClass，等等。
3. javacsv基础
javacsv是一个基于Java的开源CSV文件读写工具，其官方地址如下：
http://www.csvreader.com/java_csv.php
CSV文件的读写其实很简单，可以自己实现，网上也有诸多示例。使用javacsv的原因在于其代码简洁易用。
javacsv的使用示例参见其官方示例：
http://www.csvreader.com/java_csv_samples.php
需要说明的是，读写CSV文件时，若存在中文，请尽量使用FileReader（读）及FileWriter（写），而非FileInputStream和FileOutputStream，以免出现乱码。
4. 爬虫实践
下面的实践的目标是爬取搜车网的全部二手车信息，并作为CSV文件输出。代码如下：
Maven pom.xml
edu.uci.ics
crawler4j
3.5
jar
compile
org.jsoup
jsoup
1.7.3
net.sourceforge.javacsv
javacsv
2.0
MyCrawler.java import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.regex.Pattern;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jso