Java 如何读取网页内容

记得之前在公众号提过曾经在 T 公司做 Java 爬虫，有读者对爬虫的实现很感兴趣。在 Java 应用中读取远程 URL 内容是一个比较常见的需求，可以使用 Apache 旗下的开源项目 Httpclient 来实现。

Httpclient 基于 Java 语言，实现了 HTTP 1.0 和 HTTP 1.1 协议。实现了 GET、POST、PUT、DELETE、HEAD、OPTIONS、TRACE 等全部方法。支持使用代理建立连接。支持设置最大连接数，同时支持设置每个主机的最大连接数，发现并关闭过期的连接。能够自动处理 cookie，支持用 KeepAlive 来保持持久连接。

使用 Httpclient 很简单，在如下的示例代码中，分为以下几个步骤：

1. 创建 HttpClient 对象，这里使用了默认设置；
2. 创建请求对象 httpGet，对应一次 get 请求；
3. 调用 HttpClient.execute 执行一次请求，得到的返回是 response；
4. 通过 response 可以获取返回的状态和HTML内容；

CloseableHttpClient httpclient = HttpClients.createDefault();
HttpGet httpGet = new HttpGet("http://www.baidu.com");
CloseableHttpResponse response = httpclient.execute(httpGet);
try {
    System.out.println(response.getStatusLine());
    HttpEntity entity = response.getEntity();
    System.out.println(EntityUtils.toString(entity));
} finally {
    response.close();
}

发送 get 请求，需要创建 HttpGet 请求。发送 post 请求，需要创建 HttpPost 请求。如果是带参数的请求，可以直接拼接在 URL 中，也可以使用 URIBuilder 创建对象然后通过 addParameter 或 setParameter 方法添加 。如果需要设置请求 header，可以调用 addHeader 或 setHeader 方法设置 header。

对于 post 请求，可以调用 setEntity 方法设置请求的数据。如 post.setEntity(new StringEntity(body, "utf-8"))。支持提交多种数据：

• StringEntity：纯文本内容，比如提交 json 数据；
• FileEntity：文件，比如文件上传；
• ByteArrayEntity：字节流数据，比如提交序列化数据；
• UrlEncodedFormEntity：表单数据，比如提交 form 表单；
• InputStreamEntity：输入流数据，比如文件上传；
• SerializableEntity：序列化数据，支持提交 Serializable 序列化对象；
• BasicHttpEntity：通用数据，使用者自行写入流和内容长度。

调用 HttpClient 的 execute 方法发送请求，返回的是一个 HttpResponse 对象。通过该对象可以获取返回的所有数据：

• getStatusLine：获取返回状态 StatusLine 对象，如 HTTP/1.1 200 OK；
• getEntity：获取返回的内容，如 HTML 数据；
• getHeaders / getAllHeaders：获取返回的 header 内容；

设置请求参数

HttpClient 支持设置 RequestConfig 来配置请求默认参数。一般使用 RequestConfig.Builder 来构建 RequestConfig。Builder 支持进行如下设置：

• setProxy：设置代理服务器，需要传入 HttpHost 对象；
• setLocalAddress：设置本地地址；
• setCookieSpec：设置 cookie 处理策略；
• setRedirectsEnabled：设置是否允许自动跳转，处理 302 等响应；
• setMaxRedirects：设置最大跳转数量，302 跳转次数；
• setAuthenticationEnabled：设置是否启用认证，如启用需要提供密码；
• setConnectionRequestTimeout：设置连接请求超时时间，指从连接池获取连接的timeout；
• setConnectTimeout：设置连接超时时间，指客户端和服务器建立连接的timeout；
• setSocketTimeout：设置 socket 时间，指客户端从服务器读取数据的timeout；

RequestConfig 构建后，需要调用 HttpClient setDefaultRequestConfig 方法设置到客户端中。

使用代理

通过 RequestConfig.setProxy 可以设置请求的代理，在爬虫等场景非常实用。代理的对象类型是 HttpHost，一般设置代理的 ip 和端口。如果代理有密码，可以使用 CredentialsProvider 配置用户名和密码自动完成认证。

CredentialsProvider credsProvider = new BasicCredentialsProvider();
//使用密码的代理端口
credsProvider.setCredentials(new AuthScope(null,port),
//用户名和密码
new UsernamePasswordCredentials(username,password)
);
httpClientBuilder.setDefaultCredentialsProvider(credsProvider);

支持 HTTPS 协议

请求 HTTPS 需要在 HttpClient 中设置 ssl 协议。主要分为以下几个步骤：

1. 创建 SSL 协议上下文 SSLContext，通常使用 SSLContextBuilder 构建；
2. 创建 SSLConnectionSocketFactory，是 TLS/SSL 连接的 socket 工厂；
3. 向连接工厂中注册 https 协议使用 SSLConnectionSocketFactory 处理；
4. 创建连接池管理器 PoolingHttpClientConnectionManager，并注册 HTTPS；
5. 向 HttpClient 设置连接池管理器。

如果请求报错 HTTPS 证书问题，可以设置忽略证书。设置系统变量 System.setProperty("jsse.enableSNIExtension", "false"); 即可。

// 需要通过以下代码声明对https连接支持
SSLContext sslcontext = SSLContexts.custom()
    .loadTrustMaterial(null, new TrustSelfSignedStrategy())
    .build();
// SSL 连接工厂
SSLConnectionSocketFactory sslsf = new SSLConnectionSocketFactory(sslcontext, NoopHostnameVerifier.INSTANCE);
RegistrysocketFactoryRegistry = RegistryBuilder
    .create()
    .register("http",PlainConnectionSocketFactory.getSocketFactory())
    .register("https", sslsf).build();
// 初始化连接管理器
PoolingHttpClientConnectionManager poolConnManager = new PoolingHttpClientConnectionManager(socketFactoryRegistry);
client = HttpClients.custom()
    .setConnectionManager(poolConnManager)
    .build();