Jsoup 抓取和数据页认识HTTP头

时间：2015-07-18 21:14:29 阅读：2516 评论：0 收藏：0 [点我收藏+]

标签：

推荐一本书：黑客攻防技术宝典.Web实战篇；

顺便留下一个疑问：能否通过jsoup大量并发訪问web或者小型域名server，使其瘫痪？其有用jsoup熟悉的朋友能够用它解析url来干一件非常无耻的事（源代码保密）。呵呵。接下来简单的介绍下JSOUP。

jsoup 是一款基于Java 的HTML解析器。可直接解析某个URL地址、HTML文本字符串、HTML文件。它提供了一套很省力的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。

官网下载地址：http://jsoup.org/download，下载core library。导入项目

1：解析HTML文本字符串

[java]view
 plaincopy

  /** 

* 解析一个html文档。
String类型 

*/  

ublic static void parseStringHtml(String html) {  

Document doc = Jsoup.parse(html);//把String转化成document格式       

Elements e=doc.body().getAllElements();//获取所以body下的节点集  

Elements e1=doc.select("head");//获取head 节点集  

Element e2=doc.getElementById("p");//获取html上id=“p”的节点  

System.out.println(e1);

2：解析url。

这部分是重点，有部分网址不一定都能直接获取连接。for example ：CSDN这样的域名站点。这样的一定要设置消息头代理。否则报错：像HTTP error fetching URL. Status=403。

等http状态异常。详细HTTP状态返回码可參照最后部分，或者推荐的那本书

[java]view
 plaincopy

    /** 

     * 通过请求地址获取html 

     */  

    public static void parseRequestUrl(String url) throws IOException{  

        Connection con = Jsoup.connect(url);//获取请求连接  

//      //浏览器可接受的MIME类型。
  
//      con.header("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");  

//      con.header("Accept-Encoding", "gzip, deflate");  

//      con.header("Accept-Language", "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3");  

//      con.header("Connection", "keep-alive");  

//      con.header("Host", url);  

//      con.header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:26.0) Gecko/20100101 Firefox/26.0");  

        Document doc=con.get();  

        Elements hrefs=doc.select("a[href=/kff517]");  //节点后面属性 不须要  

        Elements test=doc.select("html body div#container div#body div#main div.main div#article_details.details div.article_manage span.link_view");  

        System.out.println(hrefs);  

        System.out.println(test.text());//==.html获取节点中的文本，类似于js中的方法  

    }

3：解析一个本地html文件。这个大同小异，改变下DOCUMENT的获取方式。

整理了一些关于HTTP 消息头资料：

GET /simple.htm HTTP/1.1<CR> ---请求方式。请求对象。请求http协议
Accept: image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, application/x-shockwave-flash, application/vnd.ms-excel, application/vnd.ms-powerpoint, application/msword, */*<CR> --指浏览器能接收的Content-type
Accept-Language: zh-cn<CR> ---接收语言
Accept-Encoding: gzip, deflate<CR> --接收编码
User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)<CR> 本机的相关系信息。包含浏览器类型、操作系统信息等，非常多站点能够显示出你所使用的浏览器和操作系统版本号，就是由于能够从这里获取到这些信息。
Host: localhost:8080<CR> 主机和port，在互联网上一般指域名
Connection: Keep-Alive<CR> 是否须要持久连接
<CR>

server发回的完整HTTP消息例如以下：
HTTP/1.1 200 OK<CR> ---HTTP/1.1 表示表示所用的协议。200OK 指server返回的状态码。正常返回
Server: Microsoft-IIS/5.1<CR>
X-Powered-By: ASP.NET<CR>
Date: Fri, 03 Mar 2006 06:34:03 GMT<CR>
Content-Type: text/html<CR>
Accept-Ranges: bytes<CR>
Last-Modified: Fri, 03 Mar 2006 06:33:18 GMT<CR>
ETag: "5ca4f75b8c3ec61:9ee"<CR>
Content-Length: 37<CR>
<CR>
<html><body>hello world</body></html>

注意：<CR>是我加上去代表换行的。能够删掉，没有意义

HTTP请求头概述
　　 HTTP客户程序（比如浏览器。向server发送请求的时候必须指明请求类型（通常是GET或者POST。如必要。客户程序还能够择发送其它的请求头。

大多数请求头并非必需的，但Content- Length除外。对于POST请求来说Content-Length必须出现。

　以下是一些最常见的请求头

　　Accept：浏览器可接受的MIME类型。表示我们所用的浏览器能接受的Content-type
　　　Accept-Charset：浏览器可接受的字符集。
　　　Accept-Encoding：浏览器可以进行解码的数据编码方式。比方gzip。Servlet可以向支持gzip的浏览器返回经gzip编码的HTML页面。

很多情形下这可以降低5到10倍的下载时间。
　　　Accept-Language：浏览器所希望的语言种类，当server可以提供一种以上的语言版本号时要用到。

　　　Authorization：授权信息，通常出如今对server发送的WWW-Authenticate头的应答中。
　　　Connection：表示是否须要持久连接。假设Servlet看到这里的值为"Keep-Alive"，或者看到请求使用的是HTTP 1.1 （HTTP 1.1默认进行持久连接。它就能够利用持久连接的长处，当页面包括多个元素时（比如Applet，图片，显著地降低下载所须要的时间。要实现这一点，Servlet须要在应答中发送一个Content-Length头。最简单的实现方法是：先把内容写入 ByteArrayOutputStream。然后在正式写出内容之前计算它的大小。

　　　Content-Length：表示请求消息正文的长度。

　　　Cookie：这是最重要的请求头信息之中的一个
　　　From：请求发送者的email地址，由一些特殊的Web客户程序使用，浏览器不会用到它。
　　　Host：初始URL中的主机和port。

　　　If-Modified-Since：仅仅当所请求的内容在指定的日期之后又经过改动才返回它。否则返回304"Not Modified"应答。
　　　Pragma：指定"no-cache"值表示server必须返回一个刷新后的文档，即使它是代理server并且已经有了页面的本地拷贝。
　　　Referer：包括一个URL，用户从该URL代表的页面出发訪问当前请求的页面。
　　 User-Agent：浏览器类型，假设Servlet返回的内容与浏览器类型关则该值很常使用。
　　　UA-Pixels，UA-Color。UA-OS，UA-CPU：由某些版本号的IE浏览器所发送的非标准的请求头，表显示屏尺寸、颜色深度、操作系统和CPU种类。

Jsoup 抓取和数据页认识HTTP头

标签：

原文地址：http://www.cnblogs.com/lcchuguo/p/4657508.html

踩

(1)

(0)

评论一句话评论（0）

分享档案

更多>

2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)

周排行

Jsoup 抓取和数据页 认识HTTP头

Jsoup 抓取和数据页认识HTTP头