JAVA爬虫初识之httpclient与jsoup

最近接触爬虫相关知识，将学习和网上了解到的一些东西记录下来，以便以后需要。（删除重新发一次）

httpclient

httpclient是什么？

官方一点的介绍是：HttpClient是Apache Jakarta Common下的子项目，用来提供高效的、最新的、功能丰富的支持HTTP协议的客户端编程工具包，并且它支持HTTP协议最新的版本和建议。
通过这段时间的学习和使用，在我个人粗陋的理解来看，httpclient其实就是一个模拟浏览器跟服务器通信的工具，它代替了浏览器向服务器发送请求并接收服务器的回应，主要来讲就是报文了，模拟请求然后接收服务器的响应报文配合jsoup解析响应报文从而抓取到自己想要的东西。
但它又不是真正的浏览器，它没有浏览器的将响应报文实体解析成网页、执行内部js等等功能。说白了它的功能就是请求+接收响应（目前接触来看）。

使用步骤

1.jar包下载：官网或者httpclient-4.4

2.创建httpclient对象：

HttpClientBuilder httpClientBuilder = HttpClientBuilder.create();

3.根据请求方法创建请求方法的示例，以请求的服务器url为参数，如get()方法和post()方法：

HttpGet httpGet = new HttpGet("www.baidu.com");HttpPost httpPost = new HttpPost("www.baidu.com");

4.根据上篇介绍的http请求的组成，还要给请求报文设置请求头、请求需要提交的参数信息等,请求的服务器不同，需要的设置也不同,详细的模拟登录再记录，简单的如：

//伪装成浏览器String userAgent="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36";httpGet.addHeader("User-Agent","useAgent");

5.在设置完相应的参数后，调用httpclient的execute方法发送请求，该方法返回一个httpresponse

CloseableHttpResponse response = httpClient.execute(httpGet);

6.Response即为服务器返回的响应报文，我们可以调用HttpResponse的getEntity()和getHeader()方法获取响应报文的响应实体和响应头，根据http通信机制，一般来说响应报文的报文实体即为服务器返回的网页代码，里面会有相应的信息，我们需要的也就是里面的信息，所以我们可以将返回的网页源代码以字符串的形式保存起来，在我们需要取数据的时候配合jsoup将其解析成DOM。

HttpEntity entity = response.getEntity();String html = EntityUtils.toString(entity, "utf-8");

7.最后在完成通信后释放连接

httpGet.releaseConnection();

Jsoup

什么是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。该版本包含一个支持 HTML5 的解析器分支，可确保跟现在的浏览器一样解析 HTML 的方法，同时降低了解析的时间和内存的占用。
目前使用接触来看，jsoup实现了java后台对页面的操作，就像js对页面的取值，jsoup可以将之前保存的String类型的页面解析成DOM树，调用jsoup封装的方法可以对DOM树节点操作取值。比如：

Document doc = Jsoup.parse(html);

其封装的常用方法总结模拟登录时再总结，亦可参考中文文档Jsoup中文使用手册

用httpclient和jsoup获取知乎登录页面的_xsrf数据

代码总结httpclient和jsoup的使用，_xsrf是知乎登录时请求需要携带的一个参数，在登录页面的网页源代码中即可找到（每次不一样）

import java.io.IOException;import org.apache.http.HttpEntity;import org.apache.http.HttpHost;import org.apache.http.ParseException;import org.apache.http.client.ClientProtocolException;import org.apache.http.client.config.RequestConfig;import org.apache.http.client.methods.CloseableHttpResponse;import org.apache.http.client.methods.HttpGet;import org.apache.http.impl.client.CloseableHttpClient;import org.apache.http.impl.client.HttpClientBuilder;import org.apache.http.util.EntityUtils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.select.Elements;public class ZhiHu {    boolean daili = false;    HttpClientBuilder httpClientBuilder = HttpClientBuilder.create();    CloseableHttpClient httpClient = httpClientBuilder.build();    private HttpHost proxy = new HttpHost("127.0.0.1",8888,"http");    private String useage = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36";    private RequestConfig configtime=RequestConfig.custom().setCircularRedirectsAllowed(true).setSocketTimeout(10000).setConnectTimeout(10000).build();    public ZhiHu() {    }    /**     * 获取页面     * @param url     * @return     */    public String getPageHtml(String url) {        String html="";        HttpGet httpget = new HttpGet(url);        httpget.addHeader("User-Agent", useage);        httpget.setConfig(configtime);        try {            CloseableHttpResponse response = httpClient.execute(httpget);            HttpEntity entity = response.getEntity();            html = EntityUtils.toString(entity, "utf-8");            httpget.releaseConnection();        } catch (ClientProtocolException e) {            // TODO Auto-generated catch block            e.printStackTrace();        } catch (ParseException e) {            // TODO Auto-generated catch block            e.printStackTrace();        } catch (IOException e) {            // TODO Auto-generated catch block            e.printStackTrace();        }        return html;    }    /**     * 获取_xsrf     */    public String get_xsrf(String url) {        String page = getPageHtml(url);        Document doc = Jsoup.parse(page);        Elements srfs = doc.getElementsByAttributeValue("name", "_xsrf");        String xsrf = srfs.first().attr("value");        return xsrf;    }    public static void main(String[] args) {        ZhiHu zhihu = new ZhiHu();        String _xsrf = zhihu.get_xsrf("http://www.zhihu.com");        System.out.println(_xsrf);    }}

运行结果：