抓取防爬虫的网站信息(梁健-原创)

    有的网站限制网络爬虫的抓取，例如javaeye。会出现错误提示：

    您的访问请求被拒绝
        您可能使用了网络爬虫抓取ITeye网站页面！
        ITeye网站不允许您使用网络爬虫对ITeye进行恶意的网页抓取，请您立刻停止该抓取行为！
        如果您的网络爬虫不属于恶意抓取行为，希望ITeye网站允许你进行网页抓取，请和ITeye管理员联系，取得授权: webmasteriteye.com
        如果您确实使用浏览器访问，但是被错误的识别为网络爬虫，请将您浏览器发送的“User Agent”信息告知我们，帮助我们解决错误: webmasteriteye.com
      

    可以设置下链接的参数来解决。
   
    URL url=new URL(pathString);
    URLConnection con=url.openConnection();
    con.setDoOutput(true);
    con.setRequestProperty("User-Agent", "");
  
    加上上面红色的一句，就可以了。
    或者使用httpclient是，添加

    HttpClient httpClient=new HttpClient();
   httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(50000);
    httpClient.getParams().setParameter(HttpMethodParams.USER_AGENT,"Mozilla/5.0 (X11; U; Linux i686; zh-CN; rv:1.9.1.2) Gecko/20090803 Fedora/3.5");

 
     这样就可以了。

--------------------

我的部分代码参考：

 private HttpClient httpClient = null;
 
 public SuNingHtmlparseUtil(String host){
  if(httpClient == null){
   httpClient = new HttpClient();
  }
  httpClient.getHostConfiguration().setHost(host, 80, "http");
  httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(50000);
     httpClient.getParams().setParameter(HttpMethodParams.USER_AGENT,"Mozilla/5.0 (X11; U; Linux i686; zh-CN; rv:1.9.1.2) Gecko/20090803 Fedora/3.5");

 }
 
 public SuNingHtmlparseUtil(){
  if(httpClient == null){
   httpClient = new HttpClient();
  }
  httpClient.getHostConfiguration().setHost("", 80, "http");
  httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(50000);
     httpClient.getParams().setParameter(HttpMethodParams.USER_AGENT,"Mozilla/5.0 (X11; U; Linux i686; zh-CN; rv:1.9.1.2) Gecko/20090803 Fedora/3.5");

 }

 
 public String getConnectAsString(String url,String charset) throws Exception {
  GetMethod get = new GetMethod(url);
  httpClient.executeMethod(get);
  if("utf-8".equals(charset.toLowerCase())){
   return new String(get.getResponseBodyAsString().getBytes("iso-8859-1"),charset);
  }else{
   return new String(get.getResponseBodyAsString().getBytes(),charset);   
  }
 }