网络爬虫——URLConnection和HttpURLConnection

1、简介

URLConnection 是 java.net 包中的一个抽象类，其主要用于实现应用程序与 URL 之间的通信。HttpURLConnection 继承自 URLConnection，也是抽象类。在网络爬虫 中，可以使用 URLConnection 或 HttpURLConnection 请求 URL 获取流数据，通过对 流数据的操作，获取具体的实体内容。

2、实例化

URLConnection 与 HttPURLConnection 都是抽象类，无法直接创建实例化对象， 但可以通过 java.net 包 URL 类中的 openConnection()方法创建 URLConnection 与 HttPURLConnection 实例。

URL url = new URL("http://www.********.com.cn/b.asp");
URLConnection conn = url.openConnection();
HttpURLConnection httpConn = (HttpURLConnection)url.openConnection();

3、获取网页内容

要获取 URLConnection 请求到的实体内容，需通过数据流操作。在 openConnection()方法执行完毕后，通过 getInputStream()方法获取输入流，之后采用 BufferedReader 读取输入流信息。

public static void main(String[] args) throws IOException {
    URL url = new URL("http://www.baidu.com");
    //URLConnection conn = url.openConnection();
    HttpURLConnection conn = (HttpURLConnection) url.openConnection();
    //获取流数据
    InputStream in = conn.getInputStream();
    // 定义BufferedReader输入流来读取响应实体内容
    BufferedReader reader = new BufferedReader(new InputStreamReader(in));
    String line;
    String html = "";
    while ((line = reader.readLine()) != null) {
        html += line;
    }
    System.out.println(html);
    reader.close();
}

4、GET请求

针对实例化的 HttpURLConnection，可以使用 setRequestMethod(String method)方 法设置 HTTP 请求方法，其可设置的请求方法包括 GET、POST、HEAD、OPTIONS、 PUT、DELETE 以及 TRACE。程序演示了设置 GET 的操作。 setDoInput(true)表示 URL 连接可用于输入，setRequestMethod(“GET”)表示设置的请求方法为 GET。基于 getResponseCode()方法可以获取响应状态码，如果该状态码为 200，则利用实例化的 StringBuffer 将响应内容读取出来。

public class GetDemo {
    public static void main(String[] args) throws IOException {
        //初始化 URL
        URL url = new URL("http://www.********.com.cn/b.asp");
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        //允许Input
        conn.setDoInput(true);
        conn.setRequestMethod("GET"); //设置请求的方法
        conn.connect();//连接操作
        int statusCode = conn.getResponseCode();//获取响应状态码
        String responseBody = null;
        //如果响应状态码为200
        if (HttpURLConnection.HTTP_OK == statusCode) {
            // 定义BufferedReader输入流来读取URL的响应，这里设置编码
            BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(conn.getInputStream(), "UTF8"));
            //读取内容
            String readLine = null;
            StringBuffer response = new StringBuffer();
            while (null != (readLine = bufferedReader.readLine())) {
                response.append(readLine);
            }
            bufferedReader.close();
            responseBody = response.toString();
        }
        System.out.println(responseBody);
    }
}

5、模拟提交表单(POST请求)

在使用 POST 提交参数时，必须将 setDoOutput(boolean dooutput)方法中的参数设置为 true。

public class PostDemo {
    public static void main(String[] args) throws IOException {
        //POST 表单需要提交的参数
        String wen = "EH629625211CS";
        String action = "ajax";
        //初始化URL
        URL url = new URL("http://www.*****.com/ems.php");
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        //允许Output
        conn.setDoOutput(true);
        conn.setRequestMethod("POST"); //POST提交参数
        StringBuffer params = new StringBuffer();
        // 表单参数拼接
        params.append("wen").append("=").append(wen).append("&") .append("action").append("=").append(action);
        byte[] bypes = params.toString().getBytes();
        conn.getOutputStream().write(bypes);//在连接中添加参数
        // 定义BufferedReader输入流来读取URL的响应，这里设置编码
        BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(conn.getInputStream(), "utf-8"));
        String line;
        String html = "";
        while ((line = bufferedReader.readLine()) != null) {
            html += line; 
        }
        System.out.println(html); bufferedReader.close();
    }
}

6、设置头信息

针对初始化的 URLConnection 及 HttpURLConnection，可以使用 setRequestProperty (key,value)方法设置具体的请求头信息

public class HeaderDemo {
    public static void main(String[] args) throws IOException {
        //初始化 URL
        URL url = new URL("http://www.********.com.cn/b.asp");
        URLConnection conn = url.openConnection();
        //HttpURLConnection conn = (HttpURLConnection) url.openConnection()
        // 添加请求头信息
        conn.setRequestProperty("Accept", "text/html");
        conn.setRequestProperty("Accept-Language", "zh-CN,zh;q=0.9");
        conn.setRequestProperty("Host", "www.********.com.cn");
        conn.setRequestProperty("Cache-Control", "max-age=0");
        conn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome /63.0.3239.108 Safari/537.36");
        conn.connect();
        BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(conn.getInputStream(), "gbk")); String line;
        String html = "";
        while ((line = bufferedReader.readLine()) != null) {
            html += line; 
        }
        System.out.println(html);
        bufferedReader.close(); 
    }
}

7、连接超时设置

使用 URLConnection 与 HttpURLConnection 时，可以设置两种超时时间，分别是连接超时时间(ConnectTimeout)和读取超时时间(ReadTimeout)

URL url = new URL("http://www.********.com.cn/b.asp"); URLConnection conn = url.openConnection();
conn.setConnectTimeout(30000); //连接超时，单位为毫秒 
conn.setReadTimeout(30000); //读取超时，单位为毫秒

8、代理服务器的使用

针对 URLConnection 与 HttpURLConnection，可以使用 Proxy 设置代理

//代理的 IP 及端口设置
Proxy proxy = new Proxy(Proxy.Type.HTTP, new InetSocketAddress ("171.97.67.160", 3128));
URL url = new URL("http://www.********.com.cn/b.asp"); URLConnection conn = url.openConnection(proxy); //添加代理 
conn.connect(); //建立连接

9、HTTPS请求认证

public class URLConnectionSSL {
    public static void main(String[] args) throws IOException {
        initUnSecureTSL();
        //使用URLConnection请求数据
        URL url = new URL("https://cn.*******.com");
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        int statusCode = conn.getResponseCode(); //获取响应状态码
        String responseBody = null;
        //如果响应状态码为200
        if (HttpURLConnection.HTTP_OK == statusCode) {
            // 定义BufferedReader输入流来读取URL的响应，这里设置编码
            BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(conn.getInputStream(), "utf-8"));
            //读取内容
            String readLine = null;
            StringBuffer response = new StringBuffer();
            while (null != (readLine = bufferedReader.readLine())) {
                response.append(readLine);
            }
            bufferedReader.close();
            responseBody = response.toString();
        }
        System.out.println(responseBody);
    }

    private static void initUnSecureTSL() {
        // 创建信任管理器(不验证证书)
        final TrustManager[] trustAllCerts = new TrustManager[]{
                new X509TrustManager() {
                    //检查客户端证书
                    public void checkClientTrusted(final X509Certificate[] chain, final String authType) {
                        //do nothing 接受任意客户端证书
                    }

                    //检查服务器端证书
                    public void checkServerTrusted(final X509Certificate[] chain, final String authType) {
                        //do nothing 接受任意服务端证书
                    }

                    //返回受信任的X509证书
                    public X509Certificate[] getAcceptedIssuers() {
                        return null;
                    }
                }
        };
        try {
            // 创建SSLContext对象，并使用指定的信任管理器初始化
            SSLContext sslContext = SSLContext.getInstance("SSL");
            sslContext.init(null, trustAllCerts, new java.security.SecureRandom());
            //基于信任管理器，创建套接字工厂
            SSLSocketFactory sslSocketFactory = sslContext.getSocketFactory();
            //为HttpsURLConnection配置套接字工厂
            HttpsURLConnection.setDefaultSSLSocketFactory(sslSocketFactory);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}