当你写蜘蛛程序的时候,会发现很多网页会碰到500错误,这个问题我初次碰到,把我好折磨,好不容易解决了,原来如此简单。
当使用
URL url = new URL("http://www.google.cn/search?hl=zh-CN&newwindow=1&q=北京&start=0&sa=N");
url.openStream() 时候发现报403访问拒绝错误,是由于谷歌对java 程序进行限制,缺少Agent。
解决办法:
URL url = new URL("http://www.google.cn/search?hl=zh-CN&newwindow=1&q=北京&start=0&sa=N");
URLConnection con = url.openConnection();
con.setRequestProperty("User-Agent","Mozilla/4.0 (compatible; MSIE 5.0; Windows XP; DigExt)");
InputStream in = con.getInputStream();
private static Document getURLContent() throws MalformedURLException, IOException, UnsupportedEncodingException {
Document doc = Jsoup.connect("http://www.tudou.com/programs/view/pVploWOtCQM/")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();
return doc;
}
在写爬虫的时候经常会遇到有些页面下载下来会有问题,如果你把请求模拟成和浏览器一样,肯定是可以把页面正确获取的,但是其中往往很多参数都没有什么用,真正影响的就几个关键参数。这里特别把自己的经验做一下总结。
重点需要关注的参数有:
1. url: 这主要就是URL编码会导致问题,在URL中包含中文的时候可能会出现
2. user-agent: 大网站通常会对不同的浏览器做优化,所以会有区别
3. cookie: 有些网站会用到cookie信息,比如有些网站会把session信息记录在cookie中
4. refer: 有些网站为了防止跨站攻击,会对refer的页面进行检查
5. accept-charset和accept-encoding: 个别网站会对接收的编码会有特殊处理
6. sessionID: 这个有时会设在参数中,有些网站会用到这个值,当然还有其他参数可能会有用到。
上面都是经验之谈,希望能对大家有所帮助。
原文地址:http://www.zhizhihu.com/html/y2011/3058.html