HttpClient获取页面信息与Jsoup封装获取

HttpClient直接获取页面信息

使用方法：

使用HttpClient发送请求、接收响应很简单，一般需要如下几步即可。

1. 创建HttpClient对象。

2. 创建请求方法的实例，并指定请求URL。如果需要发送GET请求，创建HttpGet对象；如果需要发送POST请求，创建HttpPost对象。

3. 如果需要发送请求参数，可调用HttpGet、HttpPost共同的setParams(HetpParams params)方法来添加请求参数；对于HttpPost对象而言，也可调用setEntity(HttpEntity entity)方法来设置请求参数。

4. 调用HttpClient对象的execute(HttpUriRequest request)发送请求，该方法返回一个HttpResponse。

5. 调用HttpResponse的getAllHeaders()、getHeaders(String name)等方法可获取服务器的响应头；调用HttpResponse的getEntity()方法可获取HttpEntity对象，该对象包装了服务器的响应内容。程序可通过该对象获取服务器的响应内容。

6. 释放连接。无论执行方法是否成功，都必须释放连接

 public String cawl(String url){
        try {
            CloseableHttpClient httpClient = HttpClientBuilder.create().build();//初始化
            CloseableHttpResponse httpResponse = httpClient.execute(new HttpGet(url));//获取页面信息
            String result = EntityUtils.toString(httpResponse.getEntity());//将对象转换成字符串输出
            return result;
        } catch (IOException e) {
            throw new RuntimeException(e);
        }

    }

//通过parse解析html字符串
Document doc = Jsoup.parse(result);

使用Jsoup的connect().get();

Document doc = Jsoup.connect(url).get()//需要try...catch...抛出IO流异常

说明

connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。

了解更多参考Jsoup的API文档：http://www.open-open.com/jsoup/load-document-from-url.htm

附主函数：

package test;

import imple.Impl;
import model.Model;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.List;

public class TestMain {

    public static int i = 0;
    Impl impl = new Impl();
    List<Model> models = impl.getNovel("http://www.biquge.tw/0_5/");

    public static void main(String[] args) {
        MyThread tw = new TestMain().new MyThread();
        for(int j = 0;j<10;j++)new Thread(tw).start();
    }

    class MyThread implements Runnable{
        public void run() {
            while (i!=models.size()) {
               // String r = impl.cawl(models.get(i).getUrl());
                Document d = null;
                try {
                    d = Jsoup.connect(models.get(i).getUrl()).get();
                } catch (IOException e) {
                    e.printStackTrace();
                }
                models.get(i).setContent(d.select("#content").text());


                File file = new File("E:\完美世界\" + models.get(i).getTitle() + ".txt");
                FileWriter writer = null;
                try {
                    writer = new FileWriter(file);
                    writer.write(models.get(i).getContent());
                    writer.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
                System.out.println("第" + (i + 1) + "章输出完毕");
                i++;
            }

        }
    }
}

　　总结

之前没有接触Jsoup，对于怎么获取http请求，以及获取页面信息都是使用的URLConnect，今天使用这两种实现了小说的抓取，今天有几个问题，当我想把URL，章节名，以及内容全部都储存到数组列表中，但是需要的时间过长，而且抓取的过程容易出错，因为后边换成单线程抓取小说的时候，我采用一个for循环将小说储存进数组列表的同时也在本地创建一个txt文档，输出成功就会返回xxx输出成功，也出现了一个问题，当程序抓取到1100章左右的时候报出了时间超时的问题，似乎Jsoup连接URL的方法connect()有时间限制，最后我使用十个线程同时抓取小说方得成功。