你可以了解一下JSOUP，用这个进行网页抓取和数据提取比较简单的，能提取各种元素和对应的数据。
你百度一下，内容很多的。发个小例子：

 /**
     * 抓取url网址页面链接上满足后边正则的url链接
     */
    public static Set<String> getHrefList(String url, String regular){

        Set<String> urlSet = new HashSet<String>();

        Document doc = null;
        try {
            doc = Jsoup.connect(url).userAgent("Mozilla").timeout(20000).get();

            Elements links = doc.getElementsByTag("a");

            String linkHref = "";
//          String linkText = "";

//          Pattern pattern = Pattern.compile("^http://blog\\.csdn\\.net/[^\\s]*/article/details/[0-9]+$");
            Pattern pattern = Pattern.compile(regular);
            Matcher matcher = null;

            for (Element link : links) {
                linkHref = link.attr("href");
//              linkText = link.text();

                matcher = pattern.matcher(linkHref);

                if(matcher.find()){
                    urlSet.add(linkHref);
                }
            }

        } catch (IOException e) {
            e.printStackTrace();
        }
        return urlSet;
    }

既然能够把网页下载下来就能得到源文件的xml文件，那么就直接解析xml文件就可以了。
Java的htmlparser工具是可以专门解析xml格式的工具。
Java可以直接用HttpURLConnection模拟浏览器请求获取网页源文件的。
使用方式参考：http://blog.csdn.net/x1617044578/article/details/8668632