使用HttpClient+Jericho HTML Parser 实现网页抓取

Jericho HTML Parser是一个简单而功能强大的Java HTML解析器库，可以分析和处理HTML文档的一部分，包括一些通用的服务器端标签，同时也可以重新生成无法识别的或无效的HTML。它也提供了一个有用的HTML表单分析器。
下载地址:http://sourceforge.net/project/showfiles.php?group_id=101067

HttpClient作为HTTP客户端组件与服务器进行通讯，同时使用了jdom进行XML数据的解析。

* HttpClient 可以在http://jakarta.apache.org/commons/httpclient/downloads.html下载
* HttpClient 用到了 Apache Jakarta common 下的子项目 logging，你可以从这个地址http://jakarta.apache.org/site/downloads /downloads_commons-logging.cgi下载到 common logging，从下载后的压缩包中取出 commons-logging.jar 加到 CLASSPATH 中
* HttpClient 用到了 Apache Jakarta common 下的子项目 codec，你可以从这个地址http://jakarta.apache.org/site/downloads /downloads_commons-codec.cgi 下载到最新的 common codec，从下载后的压缩包中取出 commons-codec-1.x.jar 加到 CLASSPATH 中


在对网页信息进行抓取时,主要会用到GET 方法

使用 HttpClient 需要以下 6 个步骤：

1. 创建 HttpClient 的实例

2. 创建某种连接方法的实例，在这里是 GetMethod。在 GetMethod 的构造函数中传入待连接的地址

3. 调用第一步中创建好的实例的 execute 方法来执行第二步中创建好的 method 实例

4. 读 response

5. 释放连接。无论执行方法是否成功，都必须释放连接

6. 对得到后的内容进行处理
在eclipse下建立工程 -->snatch
将上面下载的四个jar文件导入到项目路径中.
环境搭建完成

现在,首先介绍一下HttpClient的使用
在工程目录下创建test包,在包中创建Httpclient Test类

 

package test; import java.io.IOException; import org.apache.commons.httpclient.*; import org.apache.commons.httpclient.methods.GetMethod; import org.apache.commons.httpclient.params.HttpMethodParams; public class HttpClientTest...{ public static void main(String[] args) { //构造HttpClient的实例 HttpClient httpClient = new HttpClient(); //创建GET方法的实例 GetMethod getMethod = new GetMethod("http://www.google.com.cn"); //使用系统提供的默认的恢复策略 getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER, new DefaultHttpMethodRetryHandler()); try { //执行getMethod int statusCode = httpClient.executeMethod(getMethod); if (statusCode != HttpStatus.SC_OK) { System.err.println("Method failed: " + getMethod.getStatusLine()); } //读取内容 byte[] responseBody = getMethod.getResponseBoy(); //处理内容 System.out.println(new String(responseBody)); } catch (HttpException e) { //发生致命的异常，可能是协议不对或者返回的内容有问题 System.out.println("Please check your provided http address!"); e.printStackTrace(); } catch (IOException e) { //发生网络异常 e.printStackTrace(); } finally { //释放连接 getMethod.releaseConnection(); } } }这样得到的是页面的源代码. 这里 byte[] responseBody = getMethod.getResponseBoy();是读取内容 除此之外,我们还可以这样读取: InputStream inputStream= getMethod.getResponseBodyAsStream(); String responseBody = getMethod.getResponseBodyAsString();

 

下面结合两者给个事例
取出http://www.ahcourt.gov.cn/gb/ahgy_2004/fyxw/index.html
中"信息快递"栏的前几条信息.
新建类CourtNews

 

package test; import java.io.IOException; import java.util.ArrayList; import java.util.Iterator; import java.util.List; import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler; import org.apache.commons.httpclient.HttpClient; import org.apache.commons.httpclient.HttpException; import org.apache.commons.httpclient.HttpStatus; import org.apache.commons.httpclient.methods.GetMethod; import org.apache.commons.httpclient.params.HttpMethodParams; import au.id.jericho.lib.html.Element; import au.id.jericho.lib.html.HTMLElementName; import au.id.jericho.lib.html.Segment; import au.id.jericho.lib.html.Source; /** *//** * @author oscar 07-5-17 * */ public class CourtNews { private int newsCount = 3; private List newsList = new ArrayList(); public int getNewsCount() { return newsCount; } public void setNewsCount(int newsCount) { this.newsCount = newsCount; } public List getNewsList() { HttpClient httpClient = new HttpClient(); GetMethod getMethod = new GetMethod( "http://www.ahcourt.gov.cn/gb/ahgy_2004/fyxw/index.html"); getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER, new DefaultHttpMethodRetryHandler()); try { int statusCode = httpClient.executeMethod(getMethod); if (statusCode != HttpStatus.SC_OK) { System.err .println("Method failed:" + getMethod.getStatusLine()); } String responseBody = getMethod.getResponseBodyAsString(); responseBody = new String(responseBody.getBytes("ISO-8859-1"), "GB2312"); Source source = new Source(responseBody); int tableCount = 0; for (Iterator i = source.findAllElements(HTMLElementName.TABLE) .iterator(); i.hasNext(); tableCount++) { Segment segment = (Segment) i.next(); if (tableCount == 13) { int hrefCount = 0; for (Iterator j = segment .findAllElements(HTMLElementName.A).iterator(); j .hasNext();) { Segment childsegment = (Segment) j.next(); String title = childsegment.extractText(); title.replace(" ", " "); title = trimTitle(title); Element childelement = (Element) childsegment; if (hrefCount < newsCount) { String[] news = new String[] { title, "http://www.ahcourt.gov.cn" + childelement .getAttributeValue("href") }; newsList.add(news); hrefCount++; } } } } } catch (HttpException e) { System.out.println("please check your provided http address!"); e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } finally { getMethod.releaseConnection(); } return newsList; } private String trimTitle(String title) { String titlenew = ""; for (int i = 0; i < title.length(); i++) { if (Character.isSpaceChar(title.charAt(i))) titlenew += " "; else { titlenew += title.charAt(i); } } return titlenew; } public static void main(String[] args) { // TODO Auto-generated method stub CourtNews justice = new CourtNews(); justice.setNewsCount(4); List list = justice.getNewsList(); Iterator it = list.iterator(); while (it.hasNext()) { String[] news = (String[]) it.next(); System.out.println(news[0]); System.out.println(news[1]); } } }