标签:style blog http java color 使用
最简单的爬虫,不需要设定代理服务器,不需要设定cookie,不需要http连接池,使用httpget方法,只是为了获取html代码...
好吧,满足这个要求的爬虫应该是最基本的爬虫了。当然这也是做复杂的爬虫的基础。
使用的是httpclient4的相关API。不要跟我讲网上好多都是httpclient3的代码该怎么兼容的问题,它们差不太多,但是我们应该选择新的能用的接口!
当然,还是有很多细节可以去关注一下,比如编码问题(我一般都是强制用UTF-8的)
放码过来:
1 package chris; 2 3 import java.io.ByteArrayOutputStream; 4 import java.io.IOException; 5 import java.io.InputStream; 6 7 import org.apache.http.HttpEntity; 8 import org.apache.http.client.methods.CloseableHttpResponse; 9 import org.apache.http.client.methods.HttpGet; 10 import org.apache.http.impl.client.CloseableHttpClient; 11 import org.apache.http.impl.client.HttpClients; 12 import org.apache.http.util.EntityUtils; 13 14 public class Easy { 15 16 //输入流转为String类型 17 public static String inputStream2String(InputStream is)throws IOException{ 18 ByteArrayOutputStream baos=new ByteArrayOutputStream(); 19 int i=-1; 20 while((i=is.read())!=-1){ 21 baos.write(i); 22 } 23 return baos.toString(); 24 } 25 26 //抓取网页的核心函数 27 public static void doGrab() throws Exception { 28 //httpclient可以认为是模拟的浏览器 29 CloseableHttpClient httpclient = HttpClients.createDefault(); 30 try { 31 //要访问的目标页面url 32 String targetUrl="http://chriszz.sinaapp.com"; 33 //使用get方式请求页面。复杂一点也可以换成post方式的 34 HttpGet httpGet = new HttpGet(targetUrl); 35 CloseableHttpResponse response1 = httpclient.execute(httpGet); 36 37 try { 38 String status=response1.getStatusLine().toString(); 39 //通过状态码来判断访问是否正常。200表示抓取成功 40 if(!status.equals("HTTP/1.1 200 OK")){ 41 System.out.println("此页面可以正常获取!"); 42 }else{ 43 response1 = httpclient.execute(httpGet); 44 System.out.println(status); 45 } 46 //System.out.println(response1.getStatusLine()); 47 HttpEntity entity1 = response1.getEntity(); 48 // do something useful with the response body 49 // and ensure it is fully consumed 50 InputStream input=entity1.getContent(); 51 52 String rawHtml=inputStream2String(input); 53 System.out.println(rawHtml); 54 55 //有时候会有中文乱码问题,这取决于你的eclipse java工程设定的编码格式、当前java文件的编码格式,以及抓取的网页的编码格式 56 //比如,你可以用String的getBytes()转换编码 57 //String html = new String(rawHtml.getBytes("ISO-8859-1"),"UTF-8");//转换后的结果 58 59 EntityUtils.consume(entity1); 60 } finally { 61 response1.close();//记得要关闭 62 } 63 } finally { 64 httpclient.close();//这个也要关闭哦! 65 } 66 } 67 68 /* 69 * 最简单的java爬虫--抓取百度首页 70 * memo: 71 * 0.抓取的是百度的首页,对应一个html页面。 72 * (至于为啥我们访问的是http://www.baidu.com而不是http://www.baidu.com/xxx.html,这个是百度那边设定的,总之我们会访问到那个包含html的页面) 73 * 1.使用http协议的get方法就可以了(以后复杂了可以用post方法,设定cookie,甚至设定http连接池;或者抓取json格式的数据、抓取图片等,也是类似的) 74 * 2.通过httpclient的相关包(httpclient4版本)编写,需要下载并添加相应的jar包到build path中 75 * 3.代码主要参考了httpclient(http://hc.apache.org/)包里面的tutorial的pdf文件。 76 */ 77 public static void main(String[] args) throws Exception{ 78 Easy.doGrab();//为了简答这里把doGrab()方法定义为静态方法了所以直接Easy.doGrab()就好了 79 } 80 81 }
标签:style blog http java color 使用
原文地址:http://www.cnblogs.com/zjutzz/p/3830140.html