Android：HttpWatch+jsoup抓包

最近对抓包挺感兴趣的，所以就花了一点时间去研究。最后总结一下这套方法吧。

HttpWatch

这个软件相当于IE的一个插件（FireFox也支持）。HttpWatch是强大的网页数据分析工具，集成在Internet Explorer工具栏，包括网页摘要、Cookies管理、缓存管理、消息头发送/接受、字符查询、POST 数据和目录管理功能、报告输出等功能。总之HttpWatch 是一款能够收集并显示深层信息的软件。

关于HttpWatch的使用可以参考：HttpWatch工具简介及使用技巧

jsoup

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

总而言之，在这里Jsoup就是用来解析服务器返回的HTML代码。

Download the jsoup
Selector of jsoup

实战一次

抓取目标：校内新闻网站

• 1.安装HttpWatch、打开IE右击网页或者选择工具栏，打开HttpWatch
  

• 2.找到我们想要抓取数据的目标网站、HttpWatch点击Record、进入目标网站、HttpWatch点击Stop。这样我们就抓了第一个数据了。
  

• 3.分析数据：从上图可以知道，这是个HttpGet请求，于是我们就写一个HttpGet方法，在OverView一栏可以看到请求的URL是：
  http://notes.stu.edu.cn/login/Login.jsp?logintype=1(只是演示作用，校外网是点不进的)

    public static void sendHttpGetRequest(final String url,
            final HttpCallBack callBack) {
        new Thread(new Runnable() {

            @Override
            public void run() {
                // TODO Auto-generated method stub
                HttpClient client = new DefaultHttpClient();
                HttpGet httpGet = new HttpGet(url);
                // httpGet.setHeader("Cookie", cookie_grade);
                HttpResponse response = null;
                try {
                    response = client.execute(httpGet);
                    HttpEntity entity = response.getEntity();
                    String string = EntityUtils.toString(entity, "utf-8");
                    if (callBack != null)
                        callBack.onFinish(string);
                } catch (ClientProtocolException e) {
                    // TODO Auto-generated catch block
                    e.printStackTrace();
                } catch (IOException e) {
                    // TODO Auto-generated catch block
                    e.printStackTrace();
                }
            }
        }).start();

    }

• 4.没什么意外的话，我们的回调方法会得到一段服务器返回的html代码。接下来我们就用jsoup去解析这段html代码，我们可以在HttpWatch里面的Content看一下返回的html。
  
  我们想要的信息是这样一段html代码段

<TR class=datalight>
                           <TD width="50%"><a target =‘_blank‘  href="/page/maint/template/news/newstemplateprotal.jsp?templatetype=1&templateid=3&docid=2382"><img class="vt" src="/csweb/images/38.jpg">&nbsp;&nbsp;36小时内满足你五个欲望― &lt;创意黑客松活动 数据人生篇&gt; 20150327-29</a></TD> 
                           <TD width="25%" align="center">网络与信息中心</TD>
                            <TD width="25%" align="center">2015-04-10</TD>
                  </TR>

                  <TR class=datalight>
                           <TD width="50%"><a target =‘_blank‘  href="/page/maint/template/news/newstemplateprotal.jsp?templatetype=1&templateid=3&docid=2381"><img class="vt" src="/csweb/images/38.jpg">&nbsp;&nbsp;关于举办学生社区X计划之汕头传统手工艺探寻活动的通知</a></TD> 
                           <TD width="25%" align="center">学生处</TD>
                            <TD width="25%" align="center">2015-04-10</TD>
                  </TR>

所以就根据Selector of jsoup写一个解析的方法

    private Map<String, String> parseNoteHtml(String html) {

        Map<String, String> map = new LinkedHashMap<String, String>();

        Document doc = Jsoup.parse(html);
        Elements elements = doc.select("table[class=ListStyle]");
        Elements elements2 = elements.select("TR[class=datalight]");

        for (Element element : elements2) {
            Elements element_href = element.select("a");
            for (Element element_ : element_href) {
                map.put(element.text(), element_.attr("href"));
            }
        }
        return map;
    }

可以看到我们还把每条信息携带的文件名链接也解析出来
for (Element element_ : element_href) {
map.put(element.text(), element_.attr("href"));
}

• 5.我们点击校内新闻网的具体新闻，
  
  对应上图和上上图可以发现具体新闻的URL就是一个主机名+我们解析出来的文件名链接。我们再对这个URL进行抓包操作即可得到新闻内容啦。

结果

• 新闻条目
  

• 具体新闻
  

最后说明：上述的抓包过程都是HttpGet请求的，对于HttpPost请求的也大同小异，要分析的数据要多一点。