引用
第一步，入门就是用java自带的HttpURLConnection获取源码，然后用正则匹配就是一个简单的爬虫。
第二步，你会发现很多网站并不能爬到想要的数据，你需要鸟枪换大炮，使用Apache的Httpclient来进行爬，你下载的包里就有官方教程，你会慢慢了解cookie，或者是一些http请求头，ua等等。源码解析使用Jsoup，非常方便。
第三步，httpclient使用熟练后，一个非常适合初学者的框架webmagic，先会用，然后研究源码，看看真正的爬虫是怎样的。
你需要对http协议非常了解，推荐《图解http》