10-01
18

HttpClient4.0 学习实例 - 页面获取

zz from http://www.buaaer.com/bbs/blog.php?tid=39937


HttpClient 4.0出来不久,所以网络上面相关的实例教程不多,搜httpclient得到的大部分都是基于原 Commons HttpClient 3.1 (legacy) 包的,官网下载页面:http://hc.apache.org/downloads.cgi,如果大家看了官网说明就明白httpclient4.0是从原包分支出来独立成包的,以后原来那个包中的httpclient不会再升级,所以以后我们是用httpclient新分支,由于4.0与之前的3.1包结构以及接口等都有较大变化,所以网上搜到的实例大部分都是不适合4.0的,当然,我们可以通过那些实例去琢磨4.0的用法,我也是新手,记录下学习过程方便以后检索

本实例我们来获取抓取网页编码,内容等信息

默认情况下,服务器端会根据客户端的请求头信息来返回服务器支持的编码,像google.cn他本身支持utf-8,gb2312等编码,所以如果你在头部中不指定任何头部信息的话他默认会返回gb2312编码,而如果我们在浏览器中直接访问google.cn,通过httplook,或者firefox的firebug插件查看返回头部信息的话会发现他返回的是UTF-8编码

下面我们还是看实例来解说吧,注释等我也放代码里面解释,放完整代码,方便新手理解

本实例将

使用的httpclient相关包
httpclient-4.0.jar
httpcore-4.0.1.jar
httpmime-4.0.jar
commons-logging-1.0.4.jar等其它相关包

// HttpClientTest.java
package com.baihuo.crawler.test;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.apache.http.Header;
import org.apache.http.HttpEntity;
import org.apache.http.HttpHost;
import org.apache.http.HttpResponse;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.DefaultHttpClient;
import org.apache.http.util.EntityUtils;

class HttpClientTest {

public final static void main(String[] args) throws Exception {

       // 初始化,此处构造函数就与3.1中不同
       HttpClient httpclient = new DefaultHttpClient();

       HttpHost targetHost = new HttpHost("www.google.cn");
       //HttpGet httpget = new HttpGet("http://www.apache.org/");
       HttpGet httpget = new HttpGet("/");

       // 查看默认request头部信息
       System.out.println("Accept-Charset:" + httpget.getFirstHeader("Accept-Charset"));
       // 以下这条如果不加会发现无论你设置Accept-Charset为gbk还是utf-8,他都会默认返回gb2312(本例针对google.cn来说)
       httpget.setHeader("User-Agent", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.2)");
       // 用逗号分隔显示可以同时接受多种编码
       httpget.setHeader("Accept-Language", "zh-cn,zh;q=0.5");
       httpget.setHeader("Accept-Charset", "GB2312,utf-8;q=0.7,*;q=0.7");
       // 验证头部信息设置生效
       System.out.println("Accept-Charset:" + httpget.getFirstHeader("Accept-Charset").getValue());

       // Execute HTTP request
       System.out.println("executing request " + httpget.getURI());
       HttpResponse response = httpclient.execute(targetHost, httpget);
       //HttpResponse response = httpclient.execute(httpget);

       System.out.println("----------------------------------------");
       System.out.println("Location: " + response.getLastHeader("Location"));
       System.out.println(response.getStatusLine().getStatusCode());
       System.out.println(response.getLastHeader("Content-Type"));
       System.out.println(response.getLastHeader("Content-Length"));
      
       System.out.println("----------------------------------------");

       // 判断页面返回状态判断是否进行转向抓取新链接
       int statusCode = response.getStatusLine().getStatusCode();
       if ((statusCode == HttpStatus.SC_MOVED_PERMANENTLY) ||
            (statusCode == HttpStatus.SC_MOVED_TEMPORARILY) ||
            (statusCode == HttpStatus.SC_SEE_OTHER) ||
            (statusCode == HttpStatus.SC_TEMPORARY_REDIRECT)) {
         // 此处重定向处理   此处还未验证
         String newUri = response.getLastHeader("Location").getValue();
         httpclient = new DefaultHttpClient();
         httpget = new HttpGet(newUri);
         response = httpclient.execute(httpget);
       }

       // Get hold of the response entity
       HttpEntity entity = response.getEntity();
      
       // 查看所有返回头部信息
       Header headers[] = response.getAllHeaders();
       int ii = 0;
       while (ii < headers.length) {
         System.out.println(headers[ii].getName() + ": " + headers[ii].getValue());
         ++ii;
       }
      
       // If the response does not enclose an entity, there is no need
       // to bother about connection release
       if (entity != null) {
         // 将源码流保存在一个byte数组当中,因为可能需要两次用到该流,
          byte[] bytes = EntityUtils.toByteArray(entity);
         String charSet = "";
        
         // 如果头部Content-Type中包含了编码信息,那么我们可以直接在此处获取
          charSet = EntityUtils.getContentCharSet(entity);

         System.out.println("In header: " + charSet);
         // 如果头部中没有,那么我们需要 查看页面源码,这个方法虽然不能说完全正确,因为有些粗糙的网页编码者没有在页面中写头部编码信息
         if (charSet == "") {
            regEx="(?=<meta).*?(?<=charset=[\\'|\\\"]?)([[a-z]|[A-Z]|[0-9]|-]*)";
            p=Pattern.compile(regEx, Pattern.CASE_INSENSITIVE);
            m=p.matcher(new String(bytes));   // 默认编码转成字符串,因为我们的匹配中无中文,所以串中可能的乱码对我们没有影响
            result=m.find();
            if (m.groupCount() == 1) {
                   charSet = m.group(1);
            } else {
                   charSet = "";
            }
         }
         System.out.println("Last get: " + charSet);
         // 至此,我们可以将原byte数组按照正常编码专成字符串输出(如果找到了编码的话)
         System.out.println("Encoding string is: " + new String(bytes, charSet));
       }

       httpclient.getConnectionManager().shutdown();      
}

}

[ 本帖最后由 darkness 于 2009-9-9 17:24 编辑 ] 评论(4)

HttpClient是一个实现了http协议的开源Java客户端工具库,可以通过程序发送http请求,现在HttpClient已经更名为HttpComponents, HttpClient 4.0 几乎重新设计,并重写了 HttpClient 3.x的全部代码。在HttpClient 4.0 中修正一些 HttpClient 1.0中遗留的问题,这些遗留问题在不改变现在核心AP代码是无法解决的,因此HttpClient 开发团队本次彻底改动底层代码。

HttpClient 4.0 架构方法发生的变化:

1. 重新设计了HttpClient 4.0 API架构,彻底从内部解决了所有 HttpClient 3.x 已知的架构缺陷代码。
2. HttpClient 4.0 提供了更简洁,更灵活,更明确的API。
3. HttpClient 4.0 引入了很多模块化的结构。
4. HttpClient 4.0性能方面得到了不小的提升,包括更少的内存使用,通过使用HttpCore模块更高效完成HTTP传输。
5. 通过使用 协议拦截器(protocol interceptors), HttpClient 4.0实现了 交叉HTTP(cross-cutting HTTP protocol) 协议
6. HttpClient 4.0增强了对连接的管理,更好的处理持久化连接,同时HttpClient 4.0还支持连接状态
7. HttpClient 4.0增加了插件式(可插拔的)的 重定向(redirect) 和 验证(authentication)处理。
8. HttpClient 4.0支持通过代理发送请求,或者通过一组代理发送请求。
9. 更灵活的SSL context 自定义功能在HttpClient 4.0中得以实现。
   10. HttpClient 4.0减少了在省城HTTP请求 和 解析HTTP响应 过程中的垃圾信息。
   11. HttpClient团队鼓励所有的项目升级成 HttpClient 4.0

更详细的关于 HttpClient 信息请访问下面网址:

http://www.apache.org/dist/httpc ... t/RELEASE_NOTES.txt

HttpClient 4.0 API 指南可以通过下面网址访问:

http://hc.apache.org/httpcomponents-client/tutorial/html/

您可以再下面网址找到HttpClient 4.0 的一些样例代码:

http://hc.apache.org/httpcomponents-client/examples.html


文章来自: 本站原创
引用通告: 查看所有引用 | 我要引用此文章
Tags:
相关日志:
评论: 0 | 引用: 0 | 查看次数: 285
发表评论
昵 称:
密 码: 游客发言不需要密码.
内 容:
验证码: 验证码
选 项:
虽然发表评论不用注册,但是为了保护您的发言权,建议您注册帐号.
字数限制 1000 字 | UBB代码 开启 | [img]标签 关闭