HttpClient+Jericho HTML Parser 实现网页的抓取

HttpClient+Jericho HTML Parser 实现网页的抓取

Jericho HTML Parser是一个简单而功能强大的Java HTML解析器库，可以分析和处理HTML文档的一部分，包括一些通用的服务器端标签，同时也可以重新生成无法识别的或无效的HTML。它也提供了一个有用的HTML表单分析器。
  下载地址:http://sourceforge.net/project/showfiles.php?group_id=101067

  HttpClient作为HTTP客户端组件与服务器进行通讯，同时使用了jdom进行XML数据的解析。

    * HttpClient 可以在http://jakarta.apache.org/commons/httpclient/downloads.html下载
    * HttpClient 用到了 Apache Jakarta common 下的子项目 logging，你可以从这个地址http://jakarta.apache.org/site/downloads/downloads_commons-logging.cgi下载到 common logging，从下载后的压缩包中取出 commons-logging.jar 加到 CLASSPATH 中
    * HttpClient 用到了 Apache Jakarta common 下的子项目 codec，你可以从这个地址http://jakarta.apache.org/site/downloads/downloads_commons-codec.cgi 下载到最新的 common codec，从下载后的压缩包中取出 commons-codec-1.x.jar 加到 CLASSPATH 中


在对网页信息进行抓取时,主要会用到GET 方法

使用 HttpClient 需要以下 6 个步骤：

1. 创建 HttpClient 的实例

2. 创建某种连接方法的实例，在这里是 GetMethod。在 GetMethod 的构造函数中传入待连接的地址

3. 调用第一步中创建好的实例的 execute 方法来执行第二步中创建好的 method 实例

4. 读 response

5. 释放连接。无论执行方法是否成功，都必须释放连接

6. 对得到后的内容进行处理
在eclipse下建立工程 -->snatch
将上面下载的四个jar文件导入到项目路径中.
环境搭建完成

现在,首先介绍一下HttpClient的使用
在工程目录下创建test包,在包中创建Httpclient Test类

Java代码

1. package test;   
2. import java.io.IOException;   
3. import org.apache.commons.httpclient.*;   
4. import org.apache.commons.httpclient.methods.GetMethod;   
5. import org.apache.commons.httpclient.params.HttpMethodParams;   
6. public class HttpClientTest...{   
7.   public static void main(String[] args) {   
8.   //构造HttpClient的实例   
9.   HttpClient httpClient = new HttpClient();   
10.   //创建GET方法的实例   
11.   GetMethod getMethod = new GetMethod("http://www.google.com.cn");   
12.   //使用系统提供的默认的恢复策略   
13.   getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,   
14.     new DefaultHttpMethodRetryHandler());   
15.   try {   
16.    //执行getMethod   
17.    int statusCode = httpClient.executeMethod(getMethod);   
18.    if (statusCode != HttpStatus.SC_OK) {   
19.     System.err.println("Method failed: "  
20.       + getMethod.getStatusLine());   
21.    }   
22.    //读取内容    
23.    byte[] responseBody = getMethod.getResponseBoy();   
24.    //处理内容   
25.    System.out.println(new String(responseBody));   
26.   } catch (HttpException e) {   
27.    //发生致命的异常，可能是协议不对或者返回的内容有问题   
28.    System.out.println("Please check your provided http address!");   
29.    e.printStackTrace();   
30.   } catch (IOException e) {   
31.    //发生网络异常   
32.    e.printStackTrace();   
33.   } finally {   
34.    //释放连接   
35.    getMethod.releaseConnection();   
36.   }   
37.  }   
38. }  

package test;
import java.io.IOException;
import org.apache.commons.httpclient.*;
import org.apache.commons.httpclient.methods.GetMethod;
import org.apache.commons.httpclient.params.HttpMethodParams;
public class HttpClientTest...{
  public static void main(String[] args) {
  //构造HttpClient的实例
  HttpClient httpClient = new HttpClient();
  //创建GET方法的实例
  GetMethod getMethod = new GetMethod("http://www.google.com.cn");
  //使用系统提供的默认的恢复策略
  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
    new DefaultHttpMethodRetryHandler());
  try {
   //执行getMethod
   int statusCode = httpClient.executeMethod(getMethod);
   if (statusCode != HttpStatus.SC_OK) {
    System.err.println("Method failed: "
      + getMethod.getStatusLine());
   }
   //读取内容 
   byte[] responseBody = getMethod.getResponseBoy();
   //处理内容
   System.out.println(new String(responseBody));
  } catch (HttpException e) {
   //发生致命的异常，可能是协议不对或者返回的内容有问题
   System.out.println("Please check your provided http address!");
   e.printStackTrace();
  } catch (IOException e) {
   //发生网络异常
   e.printStackTrace();
  } finally {
   //释放连接
   getMethod.releaseConnection();
  }
 }
}

这样得到的是页面的源代码.
这里 byte[] responseBody = getMethod.getResponseBoy();是读取内容
除此之外,我们还可以这样读取:
InputStream inputStream=   getMethod.getResponseBodyAsStream();
String responseBody = getMethod.getResponseBodyAsString();


下面结合两者给个事例
取出http://www.ahcourt.gov.cn/gb/ahgy_2004/fyxw/index.html
中"信息快递"栏的前几条信息.
新建类CourtNews

Java代码

1. package test;   
2.   
3. import java.io.IOException;   
4. import java.util.ArrayList;   
5. import java.util.Iterator;   
6. import java.util.List;   
7.   
8. import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;   
9. import org.apache.commons.httpclient.HttpClient;   
10. import org.apache.commons.httpclient.HttpException;   
11. import org.apache.commons.httpclient.HttpStatus;   
12. import org.apache.commons.httpclient.methods.GetMethod;   
13. import org.apache.commons.httpclient.params.HttpMethodParams;   
14.   
15. import au.id.jericho.lib.html.Element;   
16. import au.id.jericho.lib.html.HTMLElementName;   
17. import au.id.jericho.lib.html.Segment;   
18. import au.id.jericho.lib.html.Source;   
19.   
20. /** *//**  
21.  * @author oscar 07-5-17  
22.  *   
23.  */  
24. public class CourtNews {   
25.     private int newsCount = 3;   
26.   
27.     private List newsList = new ArrayList();   
28.   
29.     public int getNewsCount() {   
30.         return newsCount;   
31.     }   
32.   
33.     public void setNewsCount(int newsCount) {   
34.         this.newsCount = newsCount;   
35.     }   
36.   
37.     public List getNewsList() {   
38.         HttpClient httpClient = new HttpClient();   
39.         GetMethod getMethod = new GetMethod(   
40.                 "http://www.ahcourt.gov.cn/gb/ahgy_2004/fyxw/index.html");   
41.         getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,   
42.                 new DefaultHttpMethodRetryHandler());   
43.   
44.         try {   
45.             int statusCode = httpClient.executeMethod(getMethod);   
46.             if (statusCode != HttpStatus.SC_OK) {   
47.                 System.err   
48.                         .println("Method failed:" + getMethod.getStatusLine());   
49.             }   
50.   
51.             String responseBody = getMethod.getResponseBodyAsString();   
52.             responseBody = new String(responseBody.getBytes("ISO-8859-1"),   
53.                     "GB2312");   
54.             Source source = new Source(responseBody);   
55.   
56.             int tableCount = 0;   
57.   
58.             for (Iterator i = source.findAllElements(HTMLElementName.TABLE)   
59.                     .iterator(); i.hasNext(); tableCount++) {   
60.   
61.                 Segment segment = (Segment) i.next();   
62.   
63.                 if (tableCount == 13) {   
64.   
65.                     int hrefCount = 0;   
66.                     for (Iterator j = segment   
67.                             .findAllElements(HTMLElementName.A).iterator(); j   
68.                             .hasNext();) {   
69.                         Segment childsegment = (Segment) j.next();   
70.                         String title = childsegment.extractText();   
71.                         title.replace(" ", " ");   
72.                         title = trimTitle(title);   
73.                         Element childelement = (Element) childsegment;   
74.                         if (hrefCount < newsCount) {   
75.   
76.                             String[] news = new String[] {   
77.                                     title,   
78.                                     "http://www.ahcourt.gov.cn"  
79.                                             + childelement   
80.                                                     .getAttributeValue("href") };   
81.                             newsList.add(news);   
82.                             hrefCount++;   
83.                         }   
84.                     }   
85.   
86.                 }   
87.             }   
88.         } catch (HttpException e) {   
89.             System.out.println("please check your provided http address!");   
90.             e.printStackTrace();   
91.         } catch (IOException e) {   
92.             e.printStackTrace();   
93.         } finally {   
94.             getMethod.releaseConnection();   
95.         }   
96.         return newsList;   
97.     }   
98.   
99.     private String trimTitle(String title) {   
100.         String titlenew = "";   
101.   
102.         for (int i = 0; i < title.length(); i++) {   
103.   
104.             if (Character.isSpaceChar(title.charAt(i)))   
105.                 titlenew += " ";   
106.             else {   
107.                 titlenew += title.charAt(i);   
108.             }   
109.   
110.         }   
111.         return titlenew;   
112.     }   
113.     public static void main(String[] args) {   
114.         // TODO Auto-generated method stub   
115.         CourtNews justice = new CourtNews();   
116.         justice.setNewsCount(4);   
117.         List list = justice.getNewsList();   
118.         Iterator it = list.iterator();   
119.         while (it.hasNext()) {   
120.             String[] news = (String[]) it.next();   
121.             System.out.println(news[0]);   
122.             System.out.println(news[1]);   
123.     }   
124.     }   
125.   
126. }