爬虫系列博客将从以下几个方面介绍相对编写网页爬虫核心过程。
爬虫系列（一）——网页请求HttpClient
爬虫系列（二）——网页解析Jsoup
爬虫系列（三）——多线程爬虫框架
爬虫系列（四）——爬虫日志记录
爬虫系列（五）——url去重
网页请求HttpClient
HttpClient 是 Apache Common 下的子项目，提供高效的支持 HTTP 协议的客户端编程工具包。HttpClient主要用于模拟浏览器请求url，返回response获取网页数据，然后使用jsoup解析网页，提取我们需要的信息。
一、httpClient发送httpget请求
public class HttpClientHello {
public static void main(String[] args) throws ClientProtocolException, IOException {
// 创建httpclient实例
CloseableHttpClient httpClient = HttpClients.createDefault();
// 创建httpget实例
HttpGet httpGet = new HttpGet("http://www.tuicool.com");
// 执行http get 请求
CloseableHttpResponse response = null;
response = httpClient.execute(httpGet);
HttpEntity entity = response.getEntity();// 获取返回实体
// EntityUtils.toString(entity,"utf-8");//获取网页内容，指定编码
System.out.println("網頁內容" + EntityUtils.toString(entity, "gb2312"));
response.close();
httpClient.close();
}
}
使用httpclient直接发送请求，对于某些安全性较高的网站而言，该httpGet请求会被识别非浏览器代理请求而被拒绝访问。所以一般项目都需要使用httpClient模拟浏览器发送请求，浏览器关键参数。
public class HttpClientHello2 {
public static void main(String[] args) throws ClientProtocolException, IOException {
//创建httpclient实例
CloseableHttpClient httpClient=HttpClients.createDefault();
//创建httpget实例
HttpGet httpGet=new HttpGet("http://www.tuicool.com"); //系統有限制
httpGet.setHeader("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36");
//执行http get 请求
CloseableHttpResponse response=null;
response=httpClient.execute(httpGet);
HttpEntity entity=response.getEntity();//获取返回实体
//EntityUtils.toString(entity,"utf-8");//获取网页内容，指定编码
System.out.println("網頁內容"+EntityUtils.toString(entity,"gb2312"));
//查看响应类型
System.out.println(entity.getContentType().getValue());
System.out.println(response.getStatusLine().getStatusCode());
//HTTP/1.1 200 OK 200
response.close();
httpClient.close();
}
}
对于返回的
response
httpEntity，可获取实体的内容编码，以及返回状态码来。返回实体信息主要用于特征识别 ，使用content-type过滤调不需要的其他相应类型，例如只要text类型的。
三、采集图片
response返回信息中肯定会有对应图片信息，例如图片验证码、图片二维码等登录凭证。在编写爬虫时，网页中图片的采集方案大致如下：
筛选图片：
确认该请求为图片，根据contentType进行筛选。
获取是图片的请求 ，找到图片，然后处理，另存
保存方式：
1、图片服务器，采集好放到图片服务器中
2、直接存到项目目录下，webapp项目路径下或者缓存中
public class HttpClientHello3img {
public static void main(String[] args) throws ClientProtocolException, IOException {
//创建httpclient实例
CloseableHttpClient httpClient=HttpClients.createDefault();
//创建httpget实例
HttpGet httpGet=new HttpGet("http://cpro.baidustatic.com/cpro/exp/closead/img/bg_rb.png"); //系統有限制
httpGet.setHeader("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36");
//执行http get 请求
CloseableHttpResponse response=null;
response=httpClient.execute(httpGet);
HttpEntity entity=response.getEntity();//获取返回实体
//EntityUtils.toString(entity,"utf-8");//获取网页内容，指定编码
//System.out.println("網頁內容"+EntityUtils.toString(entity,"gb2312"));
//查看响应类型
if(entity!=null)
{
System.out.println(entity.getContentType().getValue());
InputStream input=entity.getContent();
FileUtils.copyInputStreamToFile(input, new File("C://111.png"));
}
System.out.println(response.getStatusLine().getStatusCode());
//HTTP/1.1 200 OK 200
response.close();
httpClient.close();
}
}
四、动态更换代理IP
一般对于访问量大、安全性高的网站都有各自的反爬策略，其中针对定期、规律性访问的IP会进行拉黑屏蔽处理。定向爬取某类网站数据便需要使用大量代理IP进行访问，避免IP被封的情况发生。其中代理IP根据是否易被目标网站发现分为，
透明代理、匿名代理、混淆代理（伪装）、高匿代理（隐蔽性最高，让别人根本无法发现你在使用代理）
一般如果IP被封，那请求返回状态一般为403，拒绝访问，这时则需要换一个ip再去访问。另外代理
ip管理策略，如果项目没有专门购买批量代理Ip则需要自行在网站上抓代理ip，把抓到的ip都放到先进先出的队列里。n个队列，例如每个40个IP放到1个队列里，队列里<10个了，再去抓。队列里的IP先进先出，避免重复使用。养成代理IP池。
public class HttpClientHello4Agent {
public static void main(String[] args) throws ClientProtocolException, IOException {
//创建httpclient实例
CloseableHttpClient httpClient=HttpClients.createDefault();
//创建httpget实例
HttpGet httpGet=new HttpGet("http://www.tuicool.com"); //系統有限制
httpGet.setHeader("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36");
HttpHost proxy=new HttpHost("182.204.18.65",8118);
RequestConfig config=RequestConfig.custom().setProxy(proxy).build();
httpGet.setConfig(config);
//执行http get 请求
CloseableHttpResponse response=null;
response=httpClient.execute(httpGet);
HttpEntity entity=response.getEntity();//获取返回实体
//EntityUtils.toString(entity,"utf-8");//获取网页内容，指定编码
System.out.println("網頁內容"+EntityUtils.toString(entity,"utf-8"));
//查看响应类型
if(entity!=null)
{
System.out.println(entity.getContentType().getValue());
InputStream input=entity.getContent();
FileUtils.copyInputStreamToFile(input, new File("C://111.png"));
}
System.out.println(response.getStatusLine().getStatusCode());
//HTTP/1.1 200 OK 200
response.close();
httpClient.close();
}
}
五、 HttpClient连接超时和读取超时
httpClient在执行具体http请求时候 有一个连接的时间和读取内容的时间；
1、连接时间
是HttpClient发送请求的地方开始到连接上目标url主机地址的时间，理论上是距离越短越快，线路越通畅越快。HttpClient默认连接超时时间是1min，超过1min过一会儿会再次尝试连接。也可人工设定连接超时时间，如10s。
HttpClient读取时间
2、读取时间
是HttpClient已经连接到了目标服务器，然后进行内容数据的获取，一般情况 读取数据都是很快速的，但是假如读取的数据量大，或者是目标服务器本身的问题（比如读取数据库速度慢，并发量大等等..）也会影响读取时间。读取时间可也根据业务具体设定。
HttpClient提供了一个RequestConfig类 专门用于配置参数比如连接时间，读取时间以及代理IP等。
public class HttpClientHello5Timeout {
public static void main(String[] args) throws ClientProtocolException, IOException {
//创建httpclient实例
CloseableHttpClient httpClient=HttpClients.createDefault();
//创建httpget实例
HttpGet httpGet=new HttpGet("http://www.tuicool.com"); //系統有限制
httpGet.setHeader("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36");
RequestConfig config=RequestConfig.custom()
.setConnectTimeout(10000) //设置连接超时时间为10s
.setSocketTimeout(10000) //设置读取超时时间为10s
.build();
httpGet.setConfig(config);
//执行http get 请求
CloseableHttpResponse response=null;
response=httpClient.execute(httpGet);
HttpEntity entity=response.getEntity();//获取返回实体
//EntityUtils.toString(entity,"utf-8");//获取网页内容，指定编码
System.out.println("網頁內容"+EntityUtils.toString(entity,"utf-8"));
//查看响应类型
if(entity!=null)
{
System.out.println(entity.getContentType().getValue());
InputStream input=entity.getContent();
FileUtils.copyInputStreamToFile(input, new File("C://111.png"));
}
System.out.println(response.getStatusLine().getStatusCode());
//HTTP/1.1 200 OK 200
response.close();
httpClient.close();
}
}
113
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
