您的位置:首页 > 新闻资讯 >文章内容
java爬虫的HttpClient请求
来源:互联网 作者:admin 时间:2019-02-15 10:48:37

我们在获取网络资源的过程中,或许会一些限制,所以许多Java程序要使用HTTP协议来获取网络资源,今天我们来了解下java爬虫的HttpClient请求:


什么是HttpClient:


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。


HttpClient就是一个增强版的HttpURLConnection,主要用于模拟浏览器请求url,返回response获取网页数据,然后使用jsoup解析网页,提取我们需要的信息。


java爬虫的HttpClient请求:


1.发送httpget请求


java爬虫的HttpClient请求


2.httpclient发送请求


使用httpclient直接发送请求,对于某些安全性较高的网站而言,该httpGet请求会被识别非浏览器代理请求而被拒绝访问。所以一般项目都需要使用httpClient模拟浏览器发送请求,浏览器关键参数。


  java爬虫的HttpClient请求


HttpGet请求除了访问到指定的url之外,还可设置请求头、请求连接等参数信息。这些参数对于真实浏览器发送的http请求是必不可少的,可通过浏览器-network进行查看具体需要设置哪几种参数以及参数值。


  java爬虫的HttpClient请求


对于返回的response httpEntity,可获取实体的内容编码,以及返回状态码来。返回实体信息主要用于特征识别 ,使用content-type过滤调不需要的其他相应类型,例如只要text类型的。


3.采集图片


response返回信息中肯定会有对应图片信息,例如图片验证码、图片二维码等登录凭证。在编写爬虫时,网页中图片的采集方案大致如下:


筛选图片:确认该请求为图片,根据contentType进行筛选。获取是图片的请求 ,找到图片,然后处理,另存。


保存方式:图片服务器,采集好放到图片服务器中;直接存到项目目录下,webapp项目路径下或者缓存中。


  java爬虫的HttpClient请求


这里使用了commons-io, apache IO 框架 copyFileto方法,直接将图片流另存为图片文件到指定路径下。


四、动态更换代理IP


一般对于访问量大、安全性高的网站都有各自的反爬策略,其中针对定期、规律性访问的IP会进行拉黑屏蔽处理。定向爬取某类网站数据便需要使用大量代理IP进行访问,避免IP被封的情况发生。其中代理IP根据是否易被目标网站发现分为,透明代理、匿名代理、混淆代理(伪装)、高匿代理(隐蔽性最高,让别人根本无法发现你在使用代理)。


一般如果IP被封,那请求返回状态一般为403,拒绝访问,这时则需要换一个ip再去访问。另外代理ip管理策略,如果项目没有专门购买批量代理Ip则需要自行在网站上抓代理ip,把抓到的ip都放到先进先出的队列里。n个队列,例如每个40个IP放到1个队列里,队列里<10个了,再去抓。队列里的IP先进先出,避免重复使用。养成代理IP池。


  java爬虫的HttpClient请求



相关文章内容简介
推荐阅读
  • 15 2020-04
    动态ip代理需要认真选择

    互联网it行业,是受到很多人关注的一个领域。因为从中研发的新技术或者是新突破,都很有可能会影响到我们未来的工作以及生活,就像是今天的ip代理一样。

  • 27 2020-03
    代理ip白名单授权是绑定的吗

    代理ip是我们最常用的更换ip软件,但是代理ip在没有授权白名单的情况下是无法使用的,如果没有授权的情况下访问网页会跳转到一个需要输入账号和密码的页面,需要输入账号和密码才能正常

  • 11 2019-05
    用IP代理会掉回原来的IP吗?

    用IP代理会掉回原来的IP吗?如果IP代理不稳定,是不是会失效,变回原来的IP访问。由于工作或者生活中有时会遇到IP地址被封的情况,导致这种情况的原因有很多,比如贴吧发帖频繁、数据采

  • 26 2019-11
    代理IP是如何帮助Python使用的?

    代理IP使用在python上,能够发挥很强大的作用,不仅仅是网络爬虫,而且可以完成很多操作来提高效率。这也是为什么代理IP使用在Python上最多的原因。

  • 20 2019-11
    网络爬虫用什么?是代理IP还是VPS?

    现在互联网爬虫非常普遍,即便是个人用户也能够通过网络教程来开展一些小抓取项目,这么一来,代理IP的应用也更加能够得到普及。

  • 25 2019-09
    python使用代理IP发送数据

    人人网当时可是非常火的社交平台,可惜后续发展不给力,跟不上时代的脚步,被新型社交平台给抢走了流量。但是我们做爬虫练习、学习Python的时候,还是可以利用这个网站来进行学习。下面

在线咨询
大客户经理
大客户经理
1829380381
13316264505

大客户经理微信

微信公众号

微信公众号

回到顶部