java微博爬虫2--如何抓取HTML页面

一、写在前面

上篇文章以网易微博爬虫为例，给出了一个很简单的微博爬虫的爬取过程，大概说明了网络爬虫其实也就这么回事，或许初次看到这个例子觉得有些复杂，不过没有关系，上篇文章给的例子只是让大家对爬虫过程有所了解。接下来的系列里，将一步一步地剖析每个过程。

爬虫总体流程在上篇文章已经说得很清楚了，没有看过的朋友可以去看下：【网络爬虫】[java]微博爬虫（一）：网易微博爬虫（自定义关键字爬取微博信息数据）

现在再回顾下爬虫过程：

step1: 通过请求url得到html的string，用httpClient-4.3.1工具，同时设置socket超时和连接超时connectTimeout，本文将详解此步骤。

step2: 对于上步得到的html，验证是否为合法HTML，判断是否为有效搜索页面，因为有些请求的html页面不存在。

step3: 把html这个string存放到本地，写入txt文件；

step4: 从txt文件解析微博数据：userid，timestamp……解析过程才是重点，对于不同网页结构的分析及特征提取，将在系列三中详细讲解。

step5: 解析出来的数据放入txt和xml中，这里主要jsoup解析html，dom4j工具读写xml，将在系列四中讲解。

然后在系列五中会给出一些防止被墙的方法，使用代理IP访问或解析本地IP数据库（前提是你有存放的IP数据库），后面再说。

二、HttpClient工具包

搞过web开发的朋友对这个应该很熟悉了，不需要再多说，这是个很基本的工具包，一个代码级Http客户端工具，可以使用其模拟浏览器向http服务器发送请求。HttpClient是HttpComponents(简称hc)项目其中的一部分，可以直接下载组件。使用HttpClient还需要HttpCore，后者包括Http请求与Http响应代码封装。它使客户端发送http请求变得容易，同时也会更加深入理解http协议。

在这里可以下载HttpComponents组件：http://hc.apache.org/，下载后目录结构：

首先要注意的有以下几点：

1.httpclient链接后释放问题很重要，就跟用database connection要释放资源一样。

2.https网站使用ssl加密传输，证书导入要注意。

3.对于http协议要有基本的了解，比如http的200,301,302,400,404,500等返回代码时什么意思（这个是最基本的），还有cookie和session机制（这个在之后的python爬虫系列三“模拟登录”的方法需要抓取数据包分析，主要就是看cookie这些东西，要学会分析数据包）

4.httpclient的redirect（重定向）状态默认是自动的，这在很大程度上给开发者很大的方便（如一些授权获得的cookie），但有时需要手动设置，比如有时会遇到CircularRedictException异常，出现这样的情况是因为返回的头文件中location值指向之前重复地址（端口号可以不同），导致可能会出现死循环递归重定向，此时可以手动关闭:method.setFollowRedirects(false)。

5.模拟浏览器登录，这个对于爬虫来说相当重要，有的网站会先判别用户的请求是否来自浏览器，如果不是直接拒绝访问，这个直接伪装成浏览器访问就好了，好用httpclient抓取信息时在头部加入一些信息：header.put(“User-Agent”, “Mozilla/5.0 (Windows NT 6.1)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.124 Safari/537.36)”);

6.当post请求提交数据时要改变默认编码，不然提交上去的数据会出现乱码。重写postMethod的setContentCharSet()方法就可以了。

下面给几个例子：

（1）发post请求访问本地应用并根据传递参数不同返回不同结果

public void post() {
		//创建默认httpClient实例
		CloseableHttpClient httpclient = HttpClients.createDefault();
		//创建httpPost
		HttpPost httppost = new HttpPost("http://localhost:8088/weibo/Ajax/service.action");
		//创建参数队列
		List<keyvalue> formparams = new ArrayList<keyvalue>();
		formparams.add(new BasicKeyValue("name", "alice"));
		UrlEncodeFormEntity uefEntity;
		try {
			uefEntity = new UrlEncodeFormEntity(formparams, "utf-8");
			httppost.setEntity(uefEntity);
			System.out.println("executing request " + httppost.getURI());
			CloseableHttpResponse response = httpclient.execute(httppost);
			try {
				HttpEntity entity = response.getEntity();
				if(entity != null) {
					System.out.println("Response content: " + EntityUtils.toString(entity, "utf-8"));
				}
			} finally {
				response.close();
			}
		} catch (ClientProtocolException e) {
			e.printStackTrace();
		} catch (UnsupportedEncodingException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		} finally {
			//关闭连接,释放资源
			try {
				httpclient.close();
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
	}

（2）发get请求

public void get() {
		CloseableHttpClient httpclient = HttpClients.createDefault();
		try {
			//创建httpget
			HttpGet httpget = new HttpGet("http://www.baidu.com");
			System.out.println("executing request " + httpget.getURI());
			//执行get请求
			CloseableHttpResponse response = httpclient.execute(httpget);
			try {
				//获取响应实体
				HttpEntity entity = response.getEntity();
				//响应状态
				System.out.println(response.getStatusLine());
				if(entity != null) {
					//响应内容长度
					System.out.println("response length: " + entity.getContentLength());
					//响应内容
					System.out.println("response content: " + EntityUtils.toString(entity));
				}
			} finally {
				response.close();
			}
		} catch (ClientProtocolException e) {
			e.printStackTrace();
		} catch (ParseException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		} finally {
			//关闭链接,释放资源
			try {
				httpclient.close();
			} catch(IOException e) {
				e.printStackTrace();
			}
		}
	}

（3）设置header

比如在百度搜索”httpclient”关键字，百度一下，发送请求，chrome里按F12开发者工具，在Network选项卡查看分析数据包，可以看到数据包相关信息，比如这里请求头Request Header里的信息。

有时需要模拟浏览器登录，把header设置一下就OK，照着这里改吧。

public void header() {
		HttpClient httpClient = new DefaultHttpClient();
		try {
			HttpGet httpget = new HttpGet("http://www.baidu.com");
			httpget.setHeader("Accept", "text/html, */*; q=0.01");
			httpget.setHeader("Accept-Encoding", "gzip, deflate,sdch");
			httpget.setHeader("Accept-Language", "zh-CN,zh;q=0.8");
			httpget.setHeader("Connection", "keep-alive");
			httpget.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.124 Safari/537.36)");
						
			HttpResponse response = httpClient.execute(httpget);
			HttpEntity entity = response.getEntity();
			System.out.println(response.getStatusLine()); //状态码
			if(entity != null) {
				System.out.println(entity.getContentLength());
				System.out.println(entity.getContent());
			}
		} catch (Exception e) {
			e.printStackTrace();
		}
	}

三、通过url得到html页面

前面说了这么多，都是些准备工作主要是HttpClient的一些基本使用，其实还有很多，网上其他资料更详细，也不是这里要讲的重点。下面来看如何通过url来得到html页面，其实方法已经在上一篇文章中说过了：【网络爬虫】[java]微博爬虫（一）：网易微博爬虫（自定义关键字爬取微博信息数据）

新浪微博和网易微博：（这里尤其要注意地址及参数！）

新浪微博搜索话题地址：http://s.weibo.com/weibo/苹果手机&nodup=1&page=50

网易微博搜索话题地址：http://t.163.com/tag/苹果手机  

这里参数&nodup和参数&page=50，表示从搜索结果返回的前50个html页面，从第50个页面开始爬取。也可以修改参数的值，爬取的页面个数不同。

在这里写了三个方法，分别设置用户cookie、默认一般的方法、代理IP方法，基本思路差不多，主要是在RequestConfig和CloseableHttpClient的custom()可以自定义配置。

/**
 * @note 三种连接url并获取html的方法(有一般方法,自定义cookie方法,代理IP方法) 
 * @author DianaCody
 * @since 2014-09-26 16:03
 * 
 */

import java.io.IOException;
import java.io.UnsupportedEncodingException;
import java.net.URISyntaxException;
import java.text.ParseException;

import org.apache.http.HttpEntity;
import org.apache.http.HttpHost;
import org.apache.http.HttpResponse;
import org.apache.http.HttpStatus;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.HttpClient;
import org.apache.http.client.config.CookieSpecs;
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.client.methods.HttpPost;
import org.apache.http.config.Registry;
import org.apache.http.config.RegistryBuilder;
import org.apache.http.cookie.Cookie;
import org.apache.http.cookie.CookieOrigin;
import org.apache.http.cookie.CookieSpec;
import org.apache.http.cookie.CookieSpecProvider;
import org.apache.http.cookie.MalformedCookieException;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.impl.conn.DefaultProxyRoutePlanner;
import org.apache.http.impl.cookie.BestMatchSpecFactory;
import org.apache.http.impl.cookie.BrowserCompatSpec;
import org.apache.http.impl.cookie.BrowserCompatSpecFactory;
import org.apache.http.protocol.HttpContext;
import org.apache.http.util.EntityUtils;

public class HTML {
	
	/**默认方法 */
	public String[] getHTML(String url) throws ClientProtocolException, IOException {
		String[] html = new String[2];
		html[1] = "null";
		RequestConfig requestConfig = RequestConfig.custom()
				.setSocketTimeout(5000)   //socket超时
				.setConnectTimeout(5000)   //connect超时
				.build();
		CloseableHttpClient httpClient = HttpClients.custom()
				.setDefaultRequestConfig(requestConfig)
				.build();
		HttpGet httpGet = new HttpGet(url);
		try {
			CloseableHttpResponse response = httpClient.execute(httpGet);			
			html[0] = String.valueOf(response.getStatusLine().getStatusCode());
			html[1] = EntityUtils.toString(response.getEntity(), "utf-8");
			//System.out.println(html);
		} catch (IOException e) {
			System.out.println("----------Connection timeout--------");
		}
		return html;
	}
	
	/**cookie方法的getHTMl() 设置cookie策略,防止cookie rejected问题,拒绝写入cookie     --重载,3参数:url, hostName, port */
	public String getHTML(String url, String hostName, int port) throws URISyntaxException, ClientProtocolException, IOException {
		//采用用户自定义的cookie策略
		HttpHost proxy = new HttpHost(hostName, port);
		DefaultProxyRoutePlanner routePlanner = new DefaultProxyRoutePlanner(proxy);
		CookieSpecProvider cookieSpecProvider = new CookieSpecProvider() {
			public CookieSpec create(HttpContext context) {
				return new BrowserCompatSpec() {
					@Override
					public void validate(Cookie cookie, CookieOrigin origin) throws MalformedCookieException {
						//Oh, I am easy...
					}
				};
			}
		};
		Registry<CookieSpecProvider> r = RegistryBuilder
				.<CookieSpecProvider> create()
				.register(CookieSpecs.BEST_MATCH, new BestMatchSpecFactory())
				.register(CookieSpecs.BROWSER_COMPATIBILITY, new BrowserCompatSpecFactory())
				.register("easy", cookieSpecProvider)
				.build();
		RequestConfig requestConfig = RequestConfig.custom()
				.setCookieSpec("easy")
				.setSocketTimeout(5000) //socket超时
				.setConnectTimeout(5000) //connect超时
				.build();
		CloseableHttpClient httpClient = HttpClients.custom()
				.setDefaultCookieSpecRegistry(r)
				.setRoutePlanner(routePlanner)
				.build();
		HttpGet httpGet = new HttpGet(url);
		httpGet.setConfig(requestConfig);
		String html = "null"; //用于验证是否正常取到html
		try {
			CloseableHttpResponse response = httpClient.execute(httpGet);
			html = EntityUtils.toString(response.getEntity(), "utf-8");			
		} catch (IOException e) {
			System.out.println("----Connection timeout----");
		}
		return html;
	}

	/**proxy代理IP方法 */
	public String getHTMLbyProxy(String targetUrl, String hostName, int port) throws ClientProtocolException, IOException {
		HttpHost proxy = new HttpHost(hostName, port);
		String html = "null";
		DefaultProxyRoutePlanner routePlanner = new DefaultProxyRoutePlanner(proxy);
		RequestConfig requestConfig = RequestConfig.custom()
				.setSocketTimeout(5000) //socket超时
				.setConnectTimeout(5000) //connect超时
				.build();
		CloseableHttpClient httpClient = HttpClients.custom()
				.setRoutePlanner(routePlanner)
				.setDefaultRequestConfig(requestConfig)
				.build();
		HttpGet httpGet = new HttpGet(targetUrl);
		try {
			CloseableHttpResponse response = httpClient.execute(httpGet);
			int statusCode = response.getStatusLine().getStatusCode();
			if(statusCode == HttpStatus.SC_OK) { //状态码200: OK
				html = EntityUtils.toString(response.getEntity(), "gb2312");
			}
			response.close();
			//System.out.println(html); //打印返回的html
		} catch (IOException e) {
			System.out.println("----Connection timeout----");
		}
		return html;
	}
}

四、验证是否存在HTML页面

有时请求的html不存在，比如在上篇文章中提到的情况一样，这里加个判断函数。

private boolean isExistHTML(String html) throws InterruptedException {  
        boolean isExist = false;  
        Pattern pNoResult = Pattern.compile("u6ca1u6709u627eu5230u76f8"  
                + "u5173u7684u5faeu535au5462uff0cu6362u4e2a"  
                + "u5173u952eu8bcdu8bd5u5427uff01"); //没有找到相关的微博呢，换个关键词试试吧！（html页面上的信息）  
        Matcher mNoResult = pNoResult.matcher(html);  
        if(!mNoResult.find()) {  
            isExist = true;  
        }  
        return isExist;  
}

五、爬取微博返回的HTML字符串

把所有html写到本地txt文件里。

/**把所有html写到本地txt文件存储 */
	public static void writeHTML2txt(String html, int num) throws IOException {
		String savePath = "e:/weibo/weibohtml/" + num + ".txt";
		File f = new File(savePath);
		FileWriter fw = new FileWriter(f);
		BufferedWriter bw = new BufferedWriter(fw);
		bw.write(html);
		bw.close();
	}

爬下来的html：

来看下每个html页面，头部一些数据：

微博正文数据信息，是个json格式，包含一些信息：

至于如何解析提取关键数据，在下篇文章中再写。

原创文章，转载请注明出处：http://blog.csdn.net/dianacody/article/details/39695285