HttpClient拉取连载小说

上午刚入手的小说，下午心血来潮想从网站上拉取下来做成电子书，呵呵，瞎折腾～说做就做～

【抓包】

这一步比什么都重要，如果找不到获取真正资源的那个请求，就什么都不用做了～

先是打算用迅雷把所有页面都下载下来然后本地处理，结果发现保存下来的页面都只有界面没有内容～看了看Javascript的代码，原来是ready的时候再ajax发送post到另一个网址取内容。

于是再抓包核实一下。抓包工具真难搞，试了两三个都没成功，最后还是用firefox搞定了～打开页面共发送了50个请求，不过post只有两个，很快就看到http包的内容了。

【写程序拉取】

网址，请求的header，表单都具备了，还等什么，赶紧码字爬取啦～本来还担心要伪装浏览器，要填入cookies内容，调试起来发现是想太多了，直奔网址带上表单就够了～

HttpClient的用法是现炒现卖，官方example的QuickStart.java就够很清晰了。再有就是debug进去看请求和响应。

用法见HttpPost和crawlOnePage(HttpRequestBase)。MyFileWriter就不贴出来献丑了，反正就是个I/O。

遇到并解决的问题：

1.响应回来的资源是gzip压缩过的，要用对应的类去解码；

2.网址序列号中个别缺页，通过判断响应里的状态码跳过即可。

（全文完，以下是代码。）

  1 package mycrawl;
  2 
  3 import java.io.IOException;
  4 import java.util.ArrayList;
  5 import java.util.List;
  6 
  7 import org.apache.http.HttpEntity;
  8 import org.apache.http.NameValuePair;
  9 import org.apache.http.client.ClientProtocolException;
 10 import org.apache.http.client.entity.GzipDecompressingEntity;
 11 import org.apache.http.client.entity.UrlEncodedFormEntity;
 12 import org.apache.http.client.methods.CloseableHttpResponse;
 13 import org.apache.http.client.methods.HttpPost;
 14 import org.apache.http.client.methods.HttpRequestBase;
 15 import org.apache.http.impl.client.CloseableHttpClient;
 16 import org.apache.http.impl.client.HttpClients;
 17 import org.apache.http.message.BasicNameValuePair;
 18 import org.apache.http.util.EntityUtils;
 19 
 20 import crawl.common.MyFileWriter;
 21 
 22 public class MyCrawl {
 23 
 24     private static CloseableHttpClient httpclient = HttpClients.createDefault();
 25 
 26     /**
 27      * (1)建立post对象，包括网址和表单 (2)循环抓取每页并处理输出
 28      * 
 29      * @param args
 30      * @throws IOException
 31      */
 32     public static void main(String[] args) throws IOException {
 33         final int startChapter = 页面序列号;
 34         final int endChapter = 页面序列号;
 35         final Integer bookId = bookid;
 36         String outPattern = "c:\book*.txt";
 37         MyFileWriter fw = new MyFileWriter(outPattern);
 38 
 39         // 创建post操作
 40         HttpPost httpPost = new HttpPost("网址");
 41         List<NameValuePair> nvps = new ArrayList<NameValuePair>(2);
 42 
 43         try {
 44             // post的表单内容
 45             nvps.add(new BasicNameValuePair("b", bookId.toString()));
 46             nvps.add(new BasicNameValuePair("c", "placeholder"));
 47 
 48             for (Integer i = startChapter, j = 0; i <= endChapter; i++, j++) {
 49                 // 循环抓取连续章节
 50                 nvps.set(1, new BasicNameValuePair("c", i.toString()));
 51                 httpPost.setEntity(new UrlEncodedFormEntity(nvps));
 52 
 53                 String outStr = MyCrawl.crawlOnePage(httpPost);
 54                 if (outStr == null || outStr.isEmpty()) {
 55                     j--;
 56                     continue;
 57                 }
 58                 // 处理章节标题，懒得去抓取标题页了。
 59                 outStr = "====== " + MyCrawl.chapterArr[j] + "
"
 60                         + MyCrawl.prettyTxt(outStr);
 61                 // System.out.println(outStr);
 62                 fw.rollingAppend(outStr);
 63             }
 64             fw.getFileWriter().flush();
 65             fw.getFileWriter().close();
 66             System.out.println("已完成");
 67 
 68         } finally {
 69             httpclient.close();
 70         }
 71     }
 72 
 73     /**
 74      * 抓取单页
 75      * 
 76      * @param req
 77      * @return result
 78      * @throws ClientProtocolException
 79      * @throws IOException
 80      */
 81     public static String crawlOnePage(HttpRequestBase req)
 82             throws ClientProtocolException, IOException {
 83 
 84         String result;
 85         CloseableHttpResponse resp = httpclient.execute(req);
 86 
 87         // 处理返回码
 88         int status = resp.getStatusLine().getStatusCode();
 89         if (status < 200 || status >= 300) {
 90             System.out.println("[Error] " + resp.getStatusLine().toString());
 91             return "";
 92         } else if (status != 200) {
 93             System.out.println("[Warn] " + resp.getStatusLine().toString());
 94             return "";
 95         }
 96 
 97         HttpEntity entity = resp.getEntity();
 98         if (entity instanceof GzipDecompressingEntity) {
 99             // 解压缩内容
100             GzipDecompressingEntity gEntity = (GzipDecompressingEntity) entity;
101             result = EntityUtils.toString(gEntity);
102         } else {
103             result = EntityUtils.toString(entity);
104         }
105 
106         EntityUtils.consume(entity);
107         resp.close();
108         return result;
109     }
110 
111     /**
112      * 处理换行等特殊字符
113      * 
114      * @param txt
115      * @return string
116      */
117     public static String prettyTxt(String txt) {
118         if (txt == null || txt.isEmpty()) {
119             return "";
120         }
121         int contentStart = txt.indexOf("content") + 10;
122         int contentEnd = txt.indexOf("　　<br/><br/>　　","next");
123         txt = txt.substring(contentStart, contentEnd);
124         return txt.replace("<br/><br/>", "
");
125     }
126 
127     // 章节标题
128     private static final String[] chapterArr = new String[] { "第一章",
129             "第二章" };
130 
131 }