首页 > 代码库 > Jsoup 爬取页面的数据和 理解HTTP消息头

Jsoup 爬取页面的数据和 理解HTTP消息头

2024-07-28 14:14:52   217人阅读

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：是否能通过jsoup大量并发访问web或者小型域名服务器，使其瘫痪？其实用jsoup熟悉的朋友可以用它解析url来干一件很无耻的事（源码保密）。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。它提供了一套非常省力的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这种域名网站。这种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。具体HTTP状态返回码可参照最后部分，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=http://www.mamicode.com/kff517]");  //节点后面属性 不需要  
  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，包括浏览器类型、操作系统信息等，很多网站可以显示出你所使用的浏览器和操作系统版本，就是因为可以从这里获取到这些信息。
Host: localhost:8080<CR> 主机和端口，在互联网上一般指域名
Connection: Keep-Alive<CR> 是否需要持久连接
<CR>

服务器发回的完整HTTP消息如下：
HTTP/1.1 200 OK<CR>    ---HTTP/1.1 表示表示所用的协议。200OK 指服务器返回的状态码，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，可以删掉，没有意义

HTTP请求头概述 
　　 HTTP客户程序（例如浏览器，向服务器发送请求的时候必须指明请求类型（一般是GET或者POST。如必要，客户程序还可以择发送其他的请求头。大多数请求头并不是必需的，但Content- Length除外。对于POST请求来说Content-Length必须出现。 
　下面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：浏览器能够进行解码的数据编码方式，比如gzip。Servlet能够向支持gzip的浏览器返回经gzip编码的HTML页面。许多情形下这可以减少5到10倍的下载时间。 
　　　Accept-Language：浏览器所希望的语言种类，当服务器能够提供一种以上的语言版本时要用到。 
　　　Authorization：授权信息，通常出现在对服务器发送的WWW-Authenticate头的应答中。 
　　　Connection：表示是否需要持久连接。如果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，它就可以利用持久连接的优点，当页面包含多个元素时（例如Applet，图片，显著地减少下载所需要的时间。要实现这一点，Servlet需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一
　　　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中的主机和端口。 
　　　If-Modified-Since：只当所请求的内容在指定的日期之后又经过修改才返回它，否则返回304"Not Modified"应答。 
　　　Pragma：指定"no-cache"值表示服务器必须返回一个刷新后的文档，即使它是代理服务器而且已经有了页面的本地拷贝。 
　　　Referer：包含一个URL，用户从该URL代表的页面出发访问当前请求的页面。 
  　　 User-Agent：浏览器类型，如果Servlet返回的内容与浏览器类型关则该值非常用。 
　　　UA-Pixels，UA-Color，UA-OS，UA-CPU：由某些版本的IE浏览器所发送的非标准的请求头，表示屏幕大小、颜色深度、操作系统和CPU类型。 

Jsoup 爬取页面的数据和 理解HTTP消息头


联系
我们