HttpClient的使用-爬虫学习1

HttpClient的使用-爬虫学习（一）

　　Apache真是伟大，为我们提供了HttpClient.jar，这个HttpClient是客户端的http通信实现库，这个类库的作用是接受和发送http报文，引进这个类库，我们对于http的操作会变得简单一些，事不宜迟，赶快介绍。

　　在将这个HttpClient之前，我们必须弄清两个概念：URL和URI

　　URI（Universal Resource Identify），通用资源标识符，而URL（Uniform Resource Locator），统一资源定位符，两个有什么区别，其实就是范围大小的问题，URI是包含URL的，URI由访问资源的命名机制、存放资源的主机名、资源自身的路径组成，而URL由协议、资源的主机IP地址、主机资源的具体地址组成，有他们两个的组成我们可以清楚的看出，其实URL就是我们平时输入浏览器的地址，如“http://www.hao123.com”，URL是URI的具体表现形式而已，URI是包含URL的。

　　下面正式学习HttpClient：

　　我讲解的这个HttpClient版本是4.0以上的，如果要运行我的代码的话就要引用4.0以上的jar包。

　　1.创建一个客户端，使用HttpClient，用它来处理与http相关的操作，我们可以理解为创建一个浏览器那样：

HttpClient httpClient = new DefaultHttpClient();

　　2.创建一个HttpGet类，相当于与在浏览器中打开一个URL，该类的构造接受一个String类型的参数，就是我们要输入的URL了：

HttpGet httpGet = new HttpGet("http://www.hao123.com");

　　3.通过HttpClient的execute方法，参数为HttpGet类型的参数，相当于打进网址后回车，这个我们可以得到HttpResponse，这个是代表请求后对应的响应：

HttpResponse response = httpClient.execute(httpGet);

　　4.通过这个response我们可以拿到一个HttpEntity类的实体，这个实体里面有着Http报文的许多信息，当然包括我们想要的内容：

HttpEntity entity = response.getEntity();

　　5.通过entity这个实体，我们可以调用它的getContent方法，拿到的就是网页的内容，但这个内容是InputStream，不过有了InputStearm，什么都好办了：

InputStream instream = entity.getContent();

下面我们来看看一个完整的抓取www.hao123.com内容的实例：

    @Test
    public void testGet() throws Exception {
        HttpClient httpClient = new DefaultHttpClient();
        HttpGet httpGet = new HttpGet("http://www.hao123.com");
        HttpResponse response = httpClient.execute(httpGet);
        HttpEntity entity = response.getEntity();
        if (entity != null) {
            InputStream instream = entity.getContent();
            int l;
            byte[] tmp = new byte[2048];
            while ((l = instream.read(tmp)) != -1) {
                System.out.println(new String(tmp, 0, l, "utf-8"));
            }
        }
    }

下面具体一点来介绍：

　　1.Http请求

　　HttpClient支持所有定义在Http/1.1版本中的的方法：get、post、head、put、delete、trace和options，对应每个方法都有一个类：HttpGet、HttpPost、HttpHead、HttpPut、HttpDelete、HttpTrace和HttpOptions

　　上面这些方法类中，除了可以有String参数的构造方法外，还有一个URI参数的构造方法，通过这个uri就发出请求，这个URI类其实我们jdk自带的，但是Apache真是为我们着想，提供了URIUtils类帮助我们，有兴趣可以去了解一下。

　　2.Http响应

　　HttpResponse是HttpClient提供给我们的响应类，响应是服务器发给客户端的报文，报文中包含了各种信息，通过下列方法我们可以拿到这些信息：

　　　　getProtocolVersion()：返回报文的协议版本

　　　　getStatusLine():返回响应报文的第一行内容

　　　　getStatusLine().getStatusCode()：返回报文的状态码

示例：

    @Test
    public void testResponseMethod() {
        //模拟一个响应
        HttpResponse response = new BasicHttpResponse(HttpVersion.HTTP_1_1, HttpStatus.SC_OK, "OK");
        System.out.println("协议版本：" + response.getProtocolVersion());
        System.out.println("协议信息：" + response.getStatusLine());
        System.out.println("协议状态码:" + response.getStatusLine().getStatusCode());
    }

　　3.Http报文头部：

　　一个http报文头部可以包含很多信息，如内容的长度、内容的类型等等各种各样的信息。HttpResponse有着很多方法处理头部的信息：

　　addHeader(String name, String value):增加一个头部信息，一个key，一个value

　　getFirstHeader(String name):拿到第一个header

　　getLastHeader(String name):拿到最后一个header

　　getHeads(String name):拿到一个head数组

　　headerIterator(String name):拿到一个数组的迭代器

　　不仅如此，通过HeaderElementIterator我们还可以迭代出里面value的信息，看示例：

    @Test
    public void testHeadMethod() {
        HttpResponse response = new BasicHttpResponse(HttpVersion.HTTP_1_1, HttpStatus.SC_OK, "OK");
        response.addHeader("cookie", "c1=a;path=/;domain=localhost");
        response.addHeader("cookie", "c2=b;path=/guo;domain=localhost:8080");
        response.addHeader("cookie", "path=/ray;domain=localhost:3306");
        System.out.println(response.getFirstHeader("cookie"));
        System.out.println(response.getLastHeader("cookie"));
        System.out.println("---------------------------------------------");

        Header[] heads = response.getHeaders("cookie");
        for(Header head : heads)
            System.out.println(head);
        System.out.println("---------------------------------------------");

        HeaderIterator it = response.headerIterator();
        while(it.hasNext())
            System.out.println(it.next());
        System.out.println("---------------------------------------------");

        HeaderElementIterator hei = new BasicHeaderElementIterator(response.headerIterator());
        while(hei.hasNext()) {
            HeaderElement element = hei.nextElement();
            System.out.println(element.getName() + "=" + element.getValue());
            NameValuePair[] params = element.getParameters();
            for(NameValuePair name : params)
                System.out.println(name);
        }
    }

　　4.Http实体

　　实体是响应请求成功发送到客户端时创建的，通过Entity我们可以拿到很多信息，看看下面的方法：

　　　　getContent():这个拿到响应的内容，前面我们就用过了

　　　　getContentType():拿到content的类型信息

　　　　getContentLength():拿到content的长度

　　　　通过EntityUtils类我们可以更加方法的拿到一些信息，看下面：

    @Test
    public void testEntityMethod() throws Exception {
        StringEntity entity =  new StringEntity("username=xujianguo", "utf-8");
        System.out.println(entity.getContentType());
        System.out.println(entity.getContentLength());
        System.out.println(EntityUtils.toString(entity));
    }

　　5.Http状态码

状态码	描述
200	请求成功
201	请求完成，结果是创建了新资源
202	请求被接受，但处理还没完成
204	服务器已经完成了请求，但是没有返回新的信息
300	存在多个可用的被请求资源
301	请求道的资源都会分配一个永久的url
302	请求道的资源放在一个不同的url中临时保存
304	请求的资源未更新
400	非法请求
401	未授权
403	禁止
404	找不到页面

 

 

分类: 网络爬虫系列