「client」HttpClient - seo实验室

client

httpclient简介

HttpClient 是 Apache Jakarta Common 下的子项目，可以用来提供高效的、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。

官方站点：http://hc.apache.org/

最新版本4.5 http://hc.apache.org/httpcomponents-client-4.5.x/

官方文档： http://hc.apache.org/httpcomponents-client-4.5.x/tutorial/html/index.html

maven地址：

<dependency>

<groupId>org.apache.httpcomponents</groupId>

<artifactId>httpclient</artifactId>

<version>4.5.2</version>

</dependency>

HTTP 协议可能是现在 Internet 上使用得最多、最重要的协议了，越来越多的 java 应用程序需要直接通过 HTTP 协议来访问网络资源。

虽然在 JDK 的 java net包中已经提供了访问 HTTP 协议的基本功能，但是对于大部分应用程序来说，JDK 库本身提供的功能还不够丰富和灵活。

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。

HttpClient 已经应用在很多的项目中，比如 Apache Jakarta 上很著名的另外两个开源项目 Cactus 和 HTMLUnit 都使用了 HttpClient。

我们搞爬虫的，主要是用HttpClient模拟浏览器请求第三方站点url，然后响应，获取网页数据，然后用Jsoup来提取我们需要的信息；

HttpClient HelloWorld实现

首先建一个Maven项目，然后添加httpClient依赖，版本是4.5

<dependency>

<groupId>org.apache.httpcomponents</groupId>

<artifactId>httpclient</artifactId>

<version>4.5.2</version>

</dependency>

package com.open1111.httpclient;

import java.io.IOException;

import org.apache.http.HttpEntity;

import org.apache.http.ParseException;

import org.apache.http.client.ClientProtocolException;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class HelloWorld {

public static void main(String[] args) {

CloseableHttpClient httpClient=HttpClients.createDefault(); // 创建httpClient实例

HttpGet httpget = new HttpGet("http://www.open1111.com/"); // 创建httpget实例

CloseableHttpResponse response=null;

try {

response = httpClient.execute(httpget);

} catch (ClientProtocolException e) { // http协议异常

// TODO Auto-generated catch block

e.printstacktrace();

} catch (IOException e) { // io异常

// TODO Auto-generated catch block

e.printStackTrace();

} // 执行get请求

HttpEntity entity=response.getEntity(); // 获取返回实体

try {

System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8"));

} catch (ParseException e) { // 解析异常

// TODO Auto-generated catch block

e.printStackTrace();

} catch (IOException e) { // io异常

// TODO Auto-generated catch block

e.printStackTrace();

} // 指定编码打印网页内容

try {

response.close();

} catch (IOException e) { // io异常

// TODO Auto-generated catch block

e.printStackTrace();

} // 关闭流和释放系统资源

}

运行输出：

这里得到了网站首页源码，当然要获得具体数据的话，要用到Jsoup

假如你对这些异常都熟悉我们可以简化下，异常抛出，这样代码可读性好点。

import org.apache.http.HttpEntity;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class HelloWorld2 {

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

CloseableHttpClient httpclient = HttpClients.createDefault(); // 创建httpclient实例

HttpGet httpget = new HttpGet("http://www.open1111.com/"); // 创建httpget实例

CloseableHttpResponse response = httpclient.execute(httpget); // 执行get请求

HttpEntity entity=response.getEntity(); // 获取返回实体

System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8")); // 指定编码打印网页内容

response.close(); // 关闭流和释放系统资源

}

但是实际开发的话，我们对于每一种异常的抛出，catch里都需要做一些业务上的操作，所以以后用的话，还是第一种，

假如爬虫任务很简单，容易爬取，并且量小，那就第二种。还是要根据具体情况来。

HttpClient设置请求头消息User-Agent模拟浏览器

比如我们请求 www.tuicool.com

用前面的代码：

import org.apache.http.HttpEntity;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class Demo01 {

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

CloseableHttpClient httpClient=HttpClients.createDefault(); // 创建httpClient实例

HttpGet httpGet=new HttpGet("http://www.tuicool.com/"); // 创建httpget实例

CloseableHttpResponse response=httpClient.execute(httpGet); // 执行http get请求

HttpEntity entity=response.getEntity(); // 获取返回实体

System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8")); // 获取网页内容

response.close(); // response关闭

httpClient.close(); // httpClient关闭

}

返回内容：

网页内容：<!DOCTYPE html>

<html>

<head>

</head>

<body>

<p>系统检测亲不是真人行为，因系统资源限制，我们只能拒绝你的请求。如果你有疑问，可以通过微博 http://weibo.com/tuicool2012/ 联系我们。</p>

</body>

</html>

我们模拟下浏览器设置下User-Agent头消息：

// 设置请求头消息User-Agent

httpGet.setHeader("User-Agent", "Mozilla/5.0 (windows NT 6.1; Win64; x64; rv:50.0) Gecko/20100101 Firefox/50.0");

import org.apache.http.HttpEntity;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class Demo01 {

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

CloseableHttpClient httpClient=HttpClients.createDefault(); // 创建httpClient实例

HttpGet httpGet=new HttpGet("http://www.tuicool.com/"); // 创建httpget实例

httpGet.setHeader( // 设置请求头消息User-Agent

"User-Agent",

"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:50.0) Gecko/20100101 Firefox/50.0");

CloseableHttpResponse response=httpClient.execute(httpGet); // 执行http get请求

HttpEntity entity=response.getEntity(); // 获取返回实体

System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8")); // 获取网页内容

response.close(); // response关闭

httpClient.close(); // httpClient关闭

}

运行：

当然通过火狐firebug，我们还可以看到其他请求头消息：

都是可以通过setHeader方法设置key value；来得到模拟浏览器请求；

HttpClient获取响应内容类型Content-Type

响应的网页内容都有类型也就是Content-Type

通过火狐firebug，我们看响应头信息：

当然我们可以通过HttpClient接口来获取；

HttpEntity的getContentType().getValue() 就能获取到响应类型；

import org.apache.http.HttpEntity;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class Demo2 {

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

CloseableHttpClient httpClient=HttpClients.createDefault(); // 创建httpClient实例

HttpGet httpGet=new HttpGet("http://www.java1234.com"); // 创建httpget实例

httpGet.setHeader( // 设置请求头消息User-Agent

"User-Agent",

"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:50.0) Gecko/20100101 Firefox/50.0");

CloseableHttpResponse response=httpClient.execute(httpGet); // 执行http get请求

HttpEntity entity=response.getEntity(); // 获取返回实体

System.out.println("Content-Type:"+entity.getContentType().getValue());

//System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8")); // 获取网页内容

response.close(); // response关闭

httpClient.close(); // httpClient关闭

}

运行输出：Content-Type:text/html

一般网页是text/html当然有些是带编码的，比如请求www.tuicool.com：输出：Content-Type:text/html; charset=utf-8

假如请求js文件，比如 http://www.open1111.com/static/js/jQuery.js运行输出：Content-Type:APPlication/JavaScript

假如请求的是文件，比如 http://central.maven.org/maven2/HTTPClient/HTTPClient/0.3-3/HTTPClient-0.3-3.jar

运行输出：Content-Type:application/java-archive

当然Content-Type还有一堆，那这东西对于我们爬虫有啥用的，

我们再爬取网页的时候，可以通过Content-Type来提取我们需要爬取的网页或者是爬取的时候，需要过滤掉的一些网页；

HttpClient获取响应状态Status

我们HttpClient向服务器请求时，

正常情况执行成功返回200状态码，

不一定每次都会请求成功，比如这个请求地址不存在返回404

服务器内部报错返回500

有些服务器有防采集，假如你频繁的采集数据，则返回403 拒绝你请求。

当然我们是有办法的后面会讲到用代理IP。

这个获取状态码，我们可以用 CloseableHttpResponse对象的getStatusLine().getStatusCode()

package com.open1111.httpclient.chap02;

import org.apache.http.HttpEntity;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class Demo3 {

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

CloseableHttpClient httpClient=HttpClients.createDefault(); // 创建httpClient实例

HttpGet httpGet=new HttpGet("http://www.open1111.com"); // 创建httpget实例

httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:50.0) Gecko/20100101 Firefox/50.0"); // 设置请求头消息User-Agent

CloseableHttpResponse response=httpClient.execute(httpGet); // 执行http get请求

System.out.println("Status:"+response.getStatusLine().getStatusCode());

HttpEntity entity=response.getEntity(); // 获取返回实体

System.out.println("Content-Type:"+entity.getContentType().getValue());

//System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8")); // 获取网页内容

response.close(); // response关闭

httpClient.close(); // httpClient关闭

}

运行输出：

Status:200

Content-Type:text/html;charset=UTF-8

假如换个页面 http://www.open1111.com/aaa.jsp

因为不存在，所以返回 404

HttpClient使用代理IP

在爬取网页的时候，有的目标站点有反爬虫机制，对于频繁访问站点以及规则性访问站点的行为，会采集屏蔽IP措施。

这时候，代理IP就派上用场了。

关于代理IP的话也分几种透明代理、匿名代理、混淆代理、高匿代理

1、透明代理(Transparent Proxy)

REMOTE_ADDR = Proxy IP

HTTP_VIA = Proxy IP

HTTP_X_FORWARDED_FOR = Your IP

透明代理虽然可以直接“隐藏”你的IP地址，但是还是可以从HTTP_X_FORWARDED_FOR来查到你是谁。

2、匿名代理(Anonymous Proxy)

REMOTE_ADDR = proxy IP

HTTP_VIA = proxy IP

HTTP_X_FORWARDED_FOR = proxy IP

匿名代理比透明代理进步了一点：别人只能知道你用了代理，无法知道你是谁。

还有一种比纯匿名代理更先进一点的：混淆代理，见下节。

3、混淆代理(Distorting Proxies)

REMOTE_ADDR = Proxy IP

HTTP_VIA = Proxy IP

HTTP_X_FORWARDED_FOR = Random IP address

如上，与匿名代理相同，如果使用了混淆代理，别人还是能知道你在用代理，但是会得到一个假的IP地址，伪装的更逼真：-）

4、高匿代理(Elite proxy或High Anonymity Proxy)

REMOTE_ADDR = Proxy IP

HTTP_VIA = not determined

HTTP_X_FORWARDED_FOR = not determined

可以看出来，高匿代理让别人根本无法发现你是在用代理，所以是最好的选择。

一般我们搞爬虫用的都是高匿的代理IP；

那代理IP 从哪里搞呢很简单百度一下，你就知道一大堆代理IP站点。一般都会给出一些免费的，但是花点钱搞收费接口更加方便；

比如 http://www.66ip.cn/

httpClient使用代理IP代码：

package com.open1111.httpclient.chap04;

import org.apache.http.HttpEntity;

import org.apache.http.HttpHost;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class Demo1 {

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

CloseableHttpClient httpClient=HttpClients.createDefault(); // 创建httpClient实例

HttpGet httpGet=new HttpGet("https://www.taobao.com/"); // 创建httpget实例

HttpHost proxy=new HttpHost("116.226.217.54", 9999);

RequestConfig requestConfig=RequestConfig.custom().setProxy(proxy).build();

httpGet.setConfig(requestConfig);

httpGet.setHeader(

"User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:50.0) Gecko/20100101 Firefox/50.0");

CloseableHttpResponse response=httpClient.execute(httpGet); // 执行http get请求

HttpEntity entity=response.getEntity(); // 获取返回实体

System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8")); // 获取网页内容

response.close(); // response关闭

httpClient.close(); // httpClient关闭

}

建议大家用国内代理IP 以及主干道网络大城市的代理IP 访问速度快；

HttpClient连接超时及读取超时

httpClient在执行具体http请求时候有一个连接的时间和读取内容的时间；

HttpClient连接时间

所谓连接的时候是HttpClient发送请求的地方开始到连接上目标url主机地址的时间，理论上是距离越短越快，线路越通畅越快，

但是由于路由复杂交错，往往连接上的时间都不固定，运气不好连不上，

HttpClient的默认连接时间，据我测试，默认是1分钟，假如超过1分钟过一会继续尝试连接，这样会有一个问题假如遇到一个url老是连不上，会影响其他线程的线程进去，所以我们有必要进行特殊设置，比如设置10秒钟假如10秒钟没有连接上我们就报错，这样我们就可以进行业务上的处理，比如我们业务上控制过会再连接试试看。并且这个特殊url写到log4j日志里去。方便管理员查看。

HttpClient读取时间

所谓读取的时间是HttpClient已经连接到了目标服务器，然后进行内容数据的获取，一般情况读取数据都是很快速的，

但是假如读取的数据量大，或者是目标服务器本身的问题（比如读取数据库速度慢，并发量大等等..）也会影响读取时间。

同上，我们还是需要来特殊设置下，比如设置10秒钟假如10秒钟还没读取完，就报错，同上，我们可以业务上处理。

比如我们这里给个地址 http://central.maven.org/maven2/这个是国外地址连接时间比较长的，而且读取的内容多

很容易出现连接超时和读取超时；

我们如何用代码实现呢？

HttpClient给我们提供了一个RequestConfig类专门用于配置参数比如连接时间，读取时间以及前面讲解的代理IP等。

这里给下示例代码：

import org.apache.http.HttpEntity;

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.HttpClients;

import org.apache.http.util.EntityUtils;

public class Demo2 {

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

CloseableHttpClient httpClient=HttpClients.createDefault(); // 创建httpClient实例

HttpGet httpGet=new HttpGet("http://central.maven.org/maven2/"); // 创建httpget实例

RequestConfig config=RequestConfig.custom()

.setConnectTimeout(5000)

.setsocketTimeout(5000)

.build();

httpGet.setConfig(config);

httpGet.setHeader(

"User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:50.0) Gecko/20100101 Firefox/50.0");

CloseableHttpResponse response=httpClient.execute(httpGet); // 执行http get请求

HttpEntity entity=response.getEntity(); // 获取返回实体

System.out.println("网页内容："+EntityUtils.toString(entity, "utf-8")); // 获取网页内容

response.close(); // response关闭

httpClient.close(); // httpClient关闭

}

HttpClient

client

httpclient简介

HttpClient HelloWorld实现

HttpClient设置请求头消息User-Agent模拟浏览器

HttpClient获取响应内容类型Content-Type

HttpClient获取响应状态Status

HttpClient使用代理IP

HttpClient连接超时及读取超时

相关阅读

栏目导航

推荐阅读

热门阅读