HttpClient的爬取网页源代码

包UTIL;

进口java.io.BufferedReader中;
进口java.io.IOException异常;
进口的java.io.InputStream;
进口java.io.InputStreamReader中;
进口java.text.DateFormat中;
进口java.text.SimpleDateFormat的;
进口的java.util.ArrayList;
进口java.util.Date;
进口的java.util.HashMap;
进口的java.util.List;
进口的java.util.Map;
进口java.util.Set中;
进口java.util.Map.Entry;
进口java.util.zip.GZIPInputStream;

进口org.apache.commons.httpclient.Header;
进口org.apache.commons.httpclient.HttpClient;
进口org.apache.commons.httpclient.HttpException;
进口org.apache.commons.httpclient.HttpMethod;
进口org.apache.commons.httpclient.HttpStatus;
进口org.apache.commons.httpclient.NameValuePair;
进口org.apache.commons.httpclient.SimpleHttpConnectionManager;
进口org.apache.commons.httpclient.methods.GetMethod;
进口org.apache.commons.httpclient.methods.PostMethod;
进口org.apache.commons.httpclient.params.HttpConnectionManagerParams;
进口org.apache.commons.httpclient.params.HttpMethodParams;

/ **
* @author六味
*日期：2009年12月18日
*
* TODO
* HttpClient的辅助类
* /
public类HttpClientHelper
{

/ **
* HttpClient的连接超时，读取数据超时时间设置（单位：毫秒）
* /
公共静态最终诠释HTTPCLIENT_CONNECTION_TIMEOUT = 30000;
公共静态最终诠释HTTPCLIENT_SO_TIMEOUT = 120000;
公共静态最终诠释HTTPMETHOD_SO_TIMEOUT = 5000;

//让的ConnectionManager管理httpclientconnection时是否关闭连接
私有静态布尔alwaysClose = FALSE;
私人静态字符串defaultEncode =“UTF-8”;

私有静态最后的DateFormat DATE_FORMAT =新的SimpleDateFormat（“YYYY-MM-DD HH：MM：SS”）;

/ **
*获取HttpClient的连接，并设置相关参数
*
* @return
* /
公共静态HttpClient的getHttpClient（）
{
HttpClient的客户端=新的HttpClient（新SimpleHttpConnectionManager（alwaysClose））;
HttpConnectionManagerParams managerParams = client.getHttpConnectionManager（）getParams（）方法。
//设置连接超时时间（单位毫秒）
managerParams.setConnectionTimeout（HTTPCLIENT_CONNECTION_TIMEOUT）;
//设置读数据超时时间（单位毫秒）
managerParams.setSoTimeout（HTTPCLIENT_SO_TIMEOUT）;
返回客户端;
}

/ **
*获取HttpClient的连接，并设置相关参数
*
* @参数logonSite
* @参数logonPort
* @参数协议
* @return
* /
公共静态HttpClient的getHttpClient（最后弦乐logonSite，最终诠释logonPort，最后弦乐协议）
{
HttpClient的客户端=新的HttpClient（新SimpleHttpConnectionManager（alwaysClose））;
client.getHostConfiguration（）setHost（logonSite，logonPort，协议）。
HttpConnectionManagerParams managerParams = client.getHttpConnectionManager（）getParams（）方法。
//设置连接超时时间（单位毫秒）
managerParams.setConnectionTimeout（HTTPCLIENT_CONNECTION_TIMEOUT）;
//设置读数据超时时间（单位毫秒）
managerParams.setSoTimeout（HTTPCLIENT_SO_TIMEOUT）;
返回客户端;
}

私有静态列表<标题> getHeaders（地图<String，字符串>头）
{
名单<标题> =报头的ArrayList新<标题>（）;
布尔includeUserAgent = FALSE;
如果（空=头&&假== header.isEmpty（）！）
{
集<进入<字符串，字符串>> =的entrySet header.entrySet（）;
对于（进入<String，字符串>项：的entrySet）
{
如果（假== includeUserAgent
&&“用户代理”.equals（entry.getKey（）））
{
includeUserAgent = TRUE;
}
headers.add（新报头（entry.getKey（），entry.getValue（）））;
}
}

如果（假== includeUserAgent）
{
headers.add（新标题（
“用户代理”，
“Mozilla的/ 4.0（兼容; MSIE 7.0; Windows NT的5.1; GTB5; .NET CLR 1.1.4322; .NET CLR 2.0 0.50727; Alexa工具条; MAXTHON 2.0）“））;
}
返回头;
}

私有静态的NameValuePair [] getPairs（地图<String，字符串> POSTDATA）
{
如果（空== || POSTDATA postData.isEmpty（））
{
返回NULL;
}

设置<输入<字符串，字符串>> =的entrySet postData.entrySet（）;
INT DATALENGTH = entrySet.size（）;
的NameValuePair [] =对新的NameValuePair [DATALENGTH]
INT I = 0;
对于（进入<String，字符串>项：的entrySet）
{
双[我++] =新的NameValuePair（entry.getKey（），entry.getValue（））;
}
返回对;
}

/ **
*请求网页内容信息
*
* @参数的HttpClient
* @参数reqUrl
*参数标题
* @参数POSTDATA
*参数编码
* @return
* /
公共静态字符串doRequest（HttpClient的HttpClient的，字符串reqUrl，
地图<字符串， String>的头，地图<String，字符串> POSTDATA，字符串编码）
{
字符串htmlContent = NULL;
如果（空== HttpClient的）
{
返回htmlContent;
}

//请求编码设置
编码=（空==编码defaultEncode：编码）;

//头部请求信息
列表<标题> =头getHeaders（头）;

的System.out.println（“[”+ DATE_FORMAT.format（新的Date（））+“] - doRequest - ”+ reqUrl）;

//交方式
，如果（空= POSTDATA！）
{
的PostMethod的PostMethod =新EncodePostMethod（reqUrl，编码）;
对于（头tempHeader：头）
{
postMethod.setRequestHeader（tempHeader）;
}

//后参数设置
的NameValuePair [] = PARAMS getPairs（POSTDATA）;
如果（空=参数！）
{
postMethod.setRequestBody（PARAMS）;
}

//提取网页内容
htmlContent = executeMethod（HttpClient的，后方法，编码，getWebSite（reqUrl））;
}
其他
{
GetMethod getMethod =新的实现getMethod（reqUrl）;
对于（头tempHeader：头）
{
getMethod.setRequestHeader（tempHeader）;
}

//提取网页内容
htmlContent = executeMethod（HttpClient的，getMethod，编码，NULL）;
}
返回htmlContent;
}

私有静态字符串getWebSite（字符串reqUrl）
{
字符串网站= NULL;
如果（空== reqUrl || reqUrl.isEmpty（））
{
返回网站;
}

字符串前缀=“HTTP：//”;
如果（reqUrl.startsWith（前缀））
{
INT指数= reqUrl.substring（prefix.length（））的indexOf（“/”）+ prefix.length（）;
网站= reqUrl.substring（0，索引）;
}
返回网站;
}

/ **
*通过列举HTTPMethod获取网页内容
*
* @参数的HttpClient
* @参数requestMethod
*参数编码
*参数的网站
* @return
* /
私有静态字符串executeMethod（HttpClient的HttpClient的，列举HTTPMethod requestMethod，编码字符串，字符串网站）
{
字符串responseContent = NULL;
如果（空== HttpClient的）
{
返回responseContent;
}

//判断是否请求加密数据
的布尔dataEncrypt = FALSE;
头acceptEncoding = requestMethod.getRequestHeader（“接受编码”）;
如果（！空= acceptEncoding
。&& acceptEncoding.getValue（）包含（“gzip的”））
{
dataEncrypt = TRUE;
}

的InputStream responseStream = NULL;
尝试
{
INT状态= httpClient.executeMethod（requestMethod）;
如果（HttpStatus.SC_OK ==状态）
{
responseStream = requestMethod.getResponseBodyAsStream（）;
responseContent = getContentByStream（dataEncrypt新GZIPInputStream（responseStream）：responseStream，编码）;
responseStream.close（）;
}
//返回代码为301302303307时，表示页面己经重定向，则重新请求位置的URL，这在一些登录授权取饼干时很重要
否则，如果（HttpStatus.SC_MOVED_PERMANENTLY ==状态
|| HttpStatus.SC_MOVED_TEMPORARILY ==状态
|| HttpStatus.SC_SEE_OTHER ==状态
|| HttpStatus.SC_TEMPORARY_REDIRECT ==状态）
{
//读取新的URL地址
头球冲顶= requestMethod.getResponseHeader（“位置”）;
如果（！头= NULL）
{
字符串的redirectUrl = header.getValue（）;
如果（零=的redirectUrl！
&&假== redirectUrl.isEmpty（））
{
responseContent =无效;
如果（空==的redirectUrl || redirectUrl.isEmpty（））
{
的redirectUrl =“/”;
}

如果（假== redirectUrl.startsWith（“HTTP：//”）
！&&空=网站）
{
如果（website.startsWith（“/”））
{
的redirectUrl =网站+的redirectUrl;
}
其他
{
的redirectUrl =网站+“/”+的redirectUrl;
}
}

GetMethod重定向=新的实现getMethod（的redirectUrl）;
头引荐= requestMethod.getRequestHeader（“引荐”）;
如果（空=引用者！）
{
redirect.addRequestHeader（引荐）;
}
头的cookie = requestMethod.getRequestHeader（“曲奇”）;
如果（空=饼干！）
{
redirect.addRequestHeader（饼干）;
}
状态= httpClient.executeMethod（重定向）;
如果（HttpStatus.SC_OK ==状态）
{
responseStream = redirect.getResponseBodyAsStream（）;
responseContent = getContentByStream（responseStream，编码）;
responseStream.close（）;
}
}

} //端头

} //结束状态

}赶上（例外五）
{
e.printStackTrace（）;
}最后
{
如果（requestMethod！= NULL）
{
requestMethod.releaseConnection（）;
}
}
返回responseContent;
}

/ **
*按照指定编码从流中读取信息
*
* @参数inStream中
*参数编码
* @返回
*引发IOException
* /
公共静态字符串getContentByStream（的InputStream inStream中，字符串编码）抛出IOException异常
{
如果（空= =插播广告）
{
返回NULL;
}

StringBuilder的内容=新的StringBuilder（）;
//采用指定编码格式读取流内容
的BufferedReader读者=新的BufferedReader（新的InputStreamReader（插播广告，编码））;
字符串消息= NULL;
而（空=（消息= reader.readLine（））！）
{
content.append（消息）;
content.append（“\ r \ n”）;
}
//关闭读取器，释放资源
reader.close（）;
返回（content.toString（））;
}

/ **
*内部类，继承于的PostMethod，用来指定邮政请求编码格式
* /
公共静态类EncodePostMethod扩展的PostMethod
{
私人字符串编码= NULL;

公共EncodePostMethod（URL字符串，字符串编码）
{
超（URL）;
this.encode =编码;
}

@覆盖
公共字符串getRequestCharSet（）
{
// TODO自动生成方法存根
回报（this.encode）;
}

}

/ **
*测试
*
* @参数ARGS
* /
公共静态无效的主要（字串[] args）
{
//System.setProperty("http.proxyHost“，”165.228.128.10“）;
//System.setProperty("http.proxyPort“，”3128“）;
//System.setProperty("http.proxySet“，”真“）;


字符串reqUrl =“ http://news.39.net/jbyw/index.html ”;
reqUrl =“ http://news.39.net/a/2010722/1404231.html ”;
地图<String，字符串>标题=新的HashMap <String，字符串>（）;
headers.put（“接受编码”，“gzip的，放气”）;

HttpClient的HttpClient的= getHttpClient（）;
字符串htmlContent = doRequest（HttpClient的，reqUrl，头，空，“GBK”）;
的System.out.println（htmlContent）;

}
}