推荐一本书：黑客攻防技术宝典.Web实战篇  ；

      顺便留下一个疑问：能否通过jsoup大量并发訪问web或者小型域名server，使其瘫痪？其有用jsoup熟悉的朋友能够用它解析url来干一件非常无耻的事（源代码保密）。呵呵。接下来简单的介绍下JSOUP。

jsoup 是一款基于Java 的HTML解析器。可直接解析某个URL地址、HTML文本字符串、HTML文件。它提供了一套很省力的API。可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

官网下载地址：http://jsoup.org/download，下载core library。导入项目

  1：解析HTML文本字符串

[java] view
plaincopy

  1. /**
  2. * 解析一个html文档。

    String类型

  3. */
  4. ublic static void parseStringHtml(String html) {
  5. Document doc = Jsoup.parse(html);//把String转化成document格式
  6. Elements e=doc.body().getAllElements();//获取所以body下的节点集
  7. Elements e1=doc.select("head");//获取head 节点集
  8. Element e2=doc.getElementById("p");//获取html上id=“p”的节点
  9. System.out.println(e1);

2：解析url。

这部分是重点，有部分网址不一定都能直接获取连接。for
example  ：CSDN这样的域名站点。这样的一定要设置消息头代理。    否则报错：像HTTP error fetching URL. Status=403。

等http状态异常。详细HTTP状态返回码可參照最后部分，或者推荐的那本书

[java] view
plaincopy

  1. /**
  2. * 通过请求地址获取html
  3. */
  4. public static void parseRequestUrl(String url) throws IOException{
  5. Connection con = Jsoup.connect(url);//获取请求连接
  6. //      //浏览器可接受的MIME类型。

  7. //      con.header("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");
  8. //      con.header("Accept-Encoding", "gzip, deflate");
  9. //      con.header("Accept-Language", "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3");
  10. //      con.header("Connection", "keep-alive");
  11. //      con.header("Host", url);
  12. //      con.header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:26.0) Gecko/20100101 Firefox/26.0");
  13. Document doc=con.get();
  14. Elements hrefs=doc.select("a[href=/kff517]");  //节点后面属性 不须要
  15. Elements test=doc.select("html body div#container div#body div#main div.main div#article_details.details div.article_manage span.link_view");
  16. System.out.println(hrefs);
  17. System.out.println(test.text());//==.html获取节点中的文本，类似于js中的方法
  18. }

3：解析一个本地html文件。这个大同小异，改变下DOCUMENT的获取方式。



整理了一些关于HTTP 消息头资料：

GET /simple.htm HTTP/1.1<CR>  ---请求方式。请求对象。请求http协议

Accept: image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, application/x-shockwave-flash, application/vnd.ms-excel, application/vnd.ms-powerpoint, application/msword, */*<CR>      --指浏览器能接收的Content-type

Accept-Language: zh-cn<CR>   ---接收语言

Accept-Encoding: gzip, deflate<CR>   --接收编码

User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)<CR>    本机的相关系信息。包含浏览器类型、操作系统信息等，非常多站点能够显示出你所使用的浏览器和操作系统版本号，就是由于能够从这里获取到这些信息。

Host: localhost:8080<CR> 主机和port，在互联网上一般指域名

Connection: Keep-Alive<CR> 是否须要持久连接

<CR>



server发回的完整HTTP消息例如以下：

HTTP/1.1 200 OK<CR>    ---HTTP/1.1 表示表示所用的协议。200OK 指server返回的状态码。正常返回

Server: Microsoft-IIS/5.1<CR>   

X-Powered-By: ASP.NET<CR>

Date: Fri, 03 Mar 2006 06:34:03 GMT<CR>   

Content-Type: text/html<CR>

Accept-Ranges: bytes<CR>

Last-Modified: Fri, 03 Mar 2006 06:33:18 GMT<CR>

ETag: "5ca4f75b8c3ec61:9ee"<CR>

Content-Length: 37<CR>

<CR>

<html><body>hello world</body></html>



注意：<CR>是我加上去代表换行的。能够删掉，没有意义

HTTP请求头概述 

　　 HTTP客户程序（比如浏览器。向server发送请求的时候必须指明请求类型（通常是GET或者POST。如必要。客户程序还能够择发送其它的请求头。

大多数请求头并非必需的，但Content- Length除外。对于POST请求来说Content-Length必须出现。

　以下是一些最常见的请求头 



   　　Accept：浏览器可接受的MIME类型。 表示我们所用的浏览器能接受的Content-type

　　　Accept-Charset：浏览器可接受的字符集。 

　　　Accept-Encoding：浏览器可以进行解码的数据编码方式。比方gzip。Servlet可以向支持gzip的浏览器返回经gzip编码的HTML页面。

很多情形下这可以降低5到10倍的下载时间。 

　　　Accept-Language：浏览器所希望的语言种类，当server可以提供一种以上的语言版本号时要用到。

　　　Authorization：授权信息，通常出如今对server发送的WWW-Authenticate头的应答中。 

　　　Connection：表示是否须要持久连接。假设Servlet看到这里的值为"Keep-Alive"，或者看到请求使用的是HTTP 1.1 （HTTP 1.1默认进行持久连接。它就能够利用持久连接的长处，当页面包括多个元素时（比如Applet，图片，显著地降低下载所须要的时间。要实现这一点，Servlet须要在应答中发送一个Content-Length头。最简单的实现方法是：先把内容写入 ByteArrayOutputStream。然后在正式写出内容之前计算它的大小。

　　　Content-Length：表示请求消息正文的长度。

　　　Cookie：这是最重要的请求头信息之中的一个

　　　From：请求发送者的email地址，由一些特殊的Web客户程序使用，浏览器不会用到它。 

　　　Host：初始URL中的主机和port。

　　　If-Modified-Since：仅仅当所请求的内容在指定的日期之后又经过改动才返回它。否则返回304"Not Modified"应答。 

　　　Pragma：指定"no-cache"值表示server必须返回一个刷新后的文档，即使它是代理server并且已经有了页面的本地拷贝。 

　　　Referer：包括一个URL，用户从该URL代表的页面出发訪问当前请求的页面。 

  　　 User-Agent：浏览器类型，假设Servlet返回的内容与浏览器类型关则该值很常使用。 

　　　UA-Pixels，UA-Color。UA-OS，UA-CPU：由某些版本号的IE浏览器所发送的非标准的请求头，表显示屏尺寸、颜色深度、操作系统和CPU种类。

版权声明：本文博客原创文章，博客，未经同意，不得转载。

Jsoup 抓取和数据页 认识HTTP头的更多相关文章

  1. Jsoup抓取网页数据完成一个简易的Android新闻APP

    前言:作为一个篮球迷,每天必刷NBA新闻.用了那么多新闻APP,就想自己能不能也做个简易的新闻APP.于是便使用Jsoup抓取了虎扑NBA新闻的数据,完成了一个简易的新闻APP.虽然没什么技术含量,但 ...

  2. java Jsoup 抓取页面数据

    List<ImageBean> imgList = new ArrayList<ImageBean>(); ImageBean image = null; String ima ...

  3. jsoup抓取网页+具体解说

    jsoup抓取网页+具体解说 Java 程序在解析 HTML 文档时,相信大家都接触过 htmlparser 这个开源项目.我以前在 IBM DW 上发表过两篇关于 htmlparser 的文章.各自 ...

  4. iOS—网络实用技术OC篇&网络爬虫－使用java语言抓取网络数据

    网络爬虫-使用java语言抓取网络数据 前提:熟悉java语法(能看懂就行) 准备阶段:从网页中获取html代码 实战阶段:将对应的html代码使用java语言解析出来,最后保存到plist文件 上一 ...

  5. java抓取网页数据，登录之后抓取数据。

    最近做了一个从网络上抓取数据的一个小程序.主要关于信贷方面,收集的一些黑名单网站,从该网站上抓取到自己系统中. 也找了一些资料,觉得没有一个很好的,全面的例子.因此在这里做个笔记提醒自己. 首先需要一 ...

  6. iOS开发——网络实用技术OC篇&网络爬虫－使用java语言抓取网络数据

    网络爬虫-使用java语言抓取网络数据 前提:熟悉java语法(能看懂就行) 准备阶段:从网页中获取html代码 实战阶段:将对应的html代码使用java语言解析出来,最后保存到plist文件 上一 ...

  7. web scraper 抓取网页数据的几个常见问题

    如果你想抓取数据,又懒得写代码了,可以试试 web scraper 抓取数据. 相关文章: 最简单的数据抓取教程,人人都用得上 web scraper 进阶教程,人人都用得上 如果你在使用 web s ...

  8. [Python爬虫] 之八：Selenium +phantomjs抓取微博数据

    基本思路:在登录状态下,打开首页,利用高级搜索框输入需要查询的条件,点击搜索链接进行搜索.如果数据有多页,每页数据是20条件,读取页数 然后循环页数,对每页数据进行抓取数据. 在实践过程中发现一个问题 ...

  9. [Python爬虫] 之四：Selenium 抓取微博数据

    抓取代码: # coding=utf-8import osimport refrom selenium import webdriverimport selenium.webdriver.suppor ...

随机推荐

  1. mysql 主从同步出问题，重新修复从库 - web架构研究

    mysql 主从同步出问题,重新修复从库 - web架构研究     mysql 主从同步出问题,重新修复从库    0     昨天由于操作失误,在从库上执行一堆sql之后,导致主从同步错误,并且已 ...

  2. DMP文件的生成和使用

    1.生成dmp的程序 #include  <dbghelp.h> #pragma comment(lib,  "dbghelp.lib") //设置异常处理回调函数Se ...

  3. 五、Linux/UNIX操作命令积累【cp、mv、cat、grep、ps】

    在使用Linux/UNIX下,常常会使用文本界面去设置系统或操作系统,作者本人在工作的过程也在不断接触这方面的命令,所以为此特酝酿.准备.開始了本文的编写.本文主要记录自己平时遇到的一些Linux/U ...

  4. [Cocos2d-x]Android的android.mk文件通用版本

    原文地址: http://blog.ready4go.com/blog/2013/10/12/update-android-dot-mk-with-local-src-files-and-local- ...

  5. iOS学习——JSON数据解析（十一）

    在之前的<iOS学习——xml数据解析(九)>介绍了xml数据解析,这一篇简单介绍一下Json数据解析.JSON 即 JavaScript Object Natation,它是一种轻量级的 ...

  6. iOS中的字符串NSString

    创建一个字符串对象: NSstring * str1 = @"hello world"; NSString * str = [[NSString alloc]initWithStr ...

  7. Python批量删除指定目录下的指定类型的文件

    Python作为一种脚本语言.其很适合文件级的各种操作.以下的代码能够批量删除指定目录下的所有特定类型(CSV类型)的文件. import sys, csv , operator import os ...

  8. 【C语言天天练（二四）】内存分配

    引言: 对于C语言程序,了解它执行时在内存中是怎样分配的对于我们理解它的执行机制是很实用的.以下就总结一下C语言程序的一些内存分配知识. 一 一段C程序.编译连接后形成的可运行文件一般有代码段.数据段 ...

  9. AFNetworking2.0后 进行Post请求

    本文以新浪微博的Oauth认证为样例进行Post请求的演示 以下直接上代码: #import "ViewController.h" #import "AFNetworki ...

  10. 斯坦福ML公开课笔记15—隐含语义索引、神秘值分解、独立成分分析

    斯坦福ML公开课笔记15 我们在上一篇笔记中讲到了PCA(主成分分析). PCA是一种直接的降维方法.通过求解特征值与特征向量,并选取特征值较大的一些特征向量来达到降维的效果. 本文继续PCA的话题, ...