`

HttpClient4获取抓取网页编码,内容等信息

阅读更多
public static void worm() throws Exception{
		    // 初始化,此处构造函数就与3.1中不同
            HttpClient httpclient = new DefaultHttpClient();
		    HttpHost targetHost = new HttpHost("www.baidu.com");
	        //HttpGet httpget = new HttpGet("http://www.apache.org/");
	        HttpGet httpget = new HttpGet("/");
	 
	        // 查看默认request头部信息
	        System.out.println("Accept-Charset:" + httpget.getFirstHeader("Accept-Charset"));
	        // 以下这条如果不加会发现无论你设置Accept-Charset为gbk还是utf-8,他都会默认返回gb2312(本例针对google.cn来说)
	        httpget.setHeader("User-Agent", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.2)");
	        // 用逗号分隔显示可以同时接受多种编码
	        httpget.setHeader("Accept-Language", "zh-cn,zh;q=0.5");
	        httpget.setHeader("Accept-Charset", "GB2312,utf-8;q=0.7,*;q=0.7");
	        // 验证头部信息设置生效
	        System.out.println("Accept-Charset:" + httpget.getFirstHeader("Accept-Charset").getValue());
	 
	        // Execute HTTP request
	        System.out.println("executing request " + httpget.getURI());
	        HttpResponse response = httpclient.execute(targetHost, httpget);
	        //HttpResponse response = httpclient.execute(httpget);
	 
	        System.out.println("----------------------------------------");
	        System.out.println("Location: " + response.getLastHeader("Location"));
	        System.out.println(response.getStatusLine().getStatusCode());
	        System.out.println(response.getLastHeader("Content-Type"));
	        System.out.println(response.getLastHeader("Content-Length"));
	        
	        System.out.println("----------------------------------------");
	 
	        // 判断页面返回状态判断是否进行转向抓取新链接
	        int statusCode = response.getStatusLine().getStatusCode();
	        if ((statusCode == HttpStatus.SC_MOVED_PERMANENTLY) ||
	                (statusCode == HttpStatus.SC_MOVED_TEMPORARILY) ||
	                (statusCode == HttpStatus.SC_SEE_OTHER) ||
	                (statusCode == HttpStatus.SC_TEMPORARY_REDIRECT)) {
	            // 此处重定向处理  此处还未验证
	            String newUri = response.getLastHeader("Location").getValue();
	            httpclient = new DefaultHttpClient();
	            httpget = new HttpGet(newUri);
	            response = httpclient.execute(httpget);
	        }
	 
	        // Get hold of the response entity
	        HttpEntity entity = response.getEntity();
	        
	        // 查看所有返回头部信息
	        Header headers[] = response.getAllHeaders();
	        int ii = 0;
	        while (ii < headers.length) {
	            System.out.println(headers[ii].getName() + ": " + headers[ii].getValue());
	            ++ii;
	        }
	        
	        // If the response does not enclose an entity, there is no need
	        // to bother about connection release
	        if (entity != null) {
	            // 将源码流保存在一个byte数组当中,因为可能需要两次用到该流,
	            byte[] bytes = EntityUtils.toByteArray(entity);
	            String charSet = "";
	            
	            // 如果头部Content-Type中包含了编码信息,那么我们可以直接在此处获取
	            charSet = EntityUtils.getContentCharSet(entity);
	 
	            System.out.println("In header: " + charSet);
	            // 如果头部中没有,那么我们需要 查看页面源码,这个方法虽然不能说完全正确,因为有些粗糙的网页编码者没有在页面中写头部编码信息
	            if (charSet == "") {
	                String regEx="(?=<meta).*?(?<=charset=[\\'|\\\"]?)([[a-z]|[A-Z]|[0-9]|-]*)";
	                Pattern p=Pattern.compile(regEx, Pattern.CASE_INSENSITIVE);
	                Matcher m=p.matcher(new String(bytes));  // 默认编码转成字符串,因为我们的匹配中无中文,所以串中可能的乱码对我们没有影响
	                boolean result=m.find();
	                if (m.groupCount() == 1) {
	                    charSet = m.group(1);
	                } else {
	                    charSet = "";
	                }
	            }
	            System.out.println("Last get: " + charSet);
	            // 至此,我们可以将原byte数组按照正常编码专成字符串输出(如果找到了编码的话)
	            System.out.println("Encoding string is: " + new String(bytes, charSet));
	        }
	 
	        httpclient.getConnectionManager().shutdown();  
	}

 

分享到:
评论

相关推荐

    Android源码之用HttpClient获取网页

    在Android中,使用HttpClient获取网页的基本步骤如下: 1. 创建HttpClient实例:首先,我们需要创建一个HttpClient对象,它是所有HTTP请求的起点。代码示例如下: ```java HttpClient httpClient = new ...

    使用HttpClient获取网页html源代码.zip

    在这个名为"使用HttpClient获取网页html源代码.zip"的压缩包中,包含了一个简单的示例项目——WebDataShow,用于演示如何使用HttpClient获取网页HTML。 首先,我们需要导入Apache HttpClient库。在Android Studio中...

    Android例子源码使用HttpClient获取网页html源代码

    在Android开发中,有时我们需要从网络上获取网页的HTML源代码,这通常涉及到网络编程。本例子源码展示了如何利用Apache HttpClient库来实现这一功能,同时也对比了另一种常见的网络访问方式——URLConnection。以下...

    获取网页的编码格式(含JAVA源码 )

    // 使用HttpURLConnection或HttpClient等库获取网页内容 } } ``` 在这个示例中,我们首先从指定的URL读取网页内容,然后使用`CppProfilerFactory.getInstance().detect()`方法检测其编码。检测结果将作为`...

    使用HttpClient发送POST请求,并获取响应内容(附详细步骤).txt

    ### 使用HttpClient发送POST请求,并获取响应内容 #### 一、简介 在现代软件开发中,尤其是在Web应用领域,客户端与服务器之间的通信是非常重要的环节。Java作为一种广泛应用的编程语言,提供了多种方式来实现这一...

    HttpClient-4

    在Java应用中,HttpClient-4经常用于网页抓取、API调用、数据传输等场景。 Apache HttpClient 4.2.2是这个库的一个特定版本,包含了对HTTP/1.1协议的全面支持,以及对HTTP/2的初步支持。此版本修复了一些已知问题,...

    C#获取网页编码—总结.pdf

    【C#获取网页编码】是编程中常见的任务之一,尤其对于网络爬虫或者数据分析来说,正确识别和处理网页编码至关重要。网页编码决定了字符在计算机内存和屏幕上的显示方式,如果处理不当,可能会出现乱码,影响信息的...

    httpclient4之百度模拟登陆,回复与58同城自动登陆

    HttpClient4是一个强大的Java库,它提供了丰富的功能来执行HTTP请求,非常适合进行网页交互。 首先,我们来了解HttpClient4的基本用法。HttpClient4通过构建HTTP请求,设置请求头,如User-Agent(模拟浏览器标识)...

    Android例子源码使用HttpClient获取网页html源代码.zip

    在Android开发中,有时我们需要从网络获取HTML源代码来实现某些功能,比如网页抓取、网页数据解析等。本例子提供了使用HttpClient和URLConnection两种方式来实现这个目标。这两种方法都是Android SDK内置的网络访问...

    使用HttpClient获取网页html源代码

    在Android开发中,有时我们需要从网络上获取...以上就是使用HttpClient获取网页HTML源代码的基本过程和相关知识点。在实际开发中,还需要考虑错误处理、异步请求、性能优化等方面的问题,以提高应用的稳定性和效率。

    httpclient4中文教程.doc

    通过创建HttpClient实例和指定的HTTP方法对象(如HttpGet、HttpPost等),可以向目标服务器发起请求并获取响应。以下是一个基本的HTTP GET请求示例: ```java HttpClient httpclient = new DefaultHttpClient(); ...

    Commons HTTPClient4&#46;X组件应用示例

    4. **处理响应**:获取`HttpResponse`对象,并从中提取所需的信息。 ##### 5.2 示例代码 ```java import org.apache.http.client.methods.HttpGet; import org.apache.http.impl.client.DefaultHttpClient; ...

    httpclient抓取网页数据和所需的10个jar包

    在IT行业中,网络数据抓取是一项常见的任务,用于获取网页上的信息、分析市场趋势或进行自动化测试。HttpClient是Apache软件基金会开发的一个Java库,专门用于发起HTTP请求并处理响应,是进行网页抓取的重要工具。本...

    新浪,腾讯微博HttpClient4模拟登陆

    本文将深入探讨如何使用Java中的HttpClient4库来实现对新浪和腾讯微博的模拟登录。HttpClient4是一个强大的HTTP客户端库,它允许开发者执行HTTP请求并处理响应,非常适合进行网页交互。 首先,我们来看`Sina.java`...

    httpClient需要的jar包

    在Java应用中,HttpClient常用于网页抓取、API调用以及自动化测试等场景。 本压缩包文件"httpClient"很可能包含了HttpClient库所需的必备JAR文件,这些文件通常包括HttpClient的核心库、依赖的第三方库以及可能的...

    Httpclient所需jar包

    - **发送GET请求**:获取网页内容,或者获取API提供的数据。 - **发送POST请求**:提交表单数据,或者向RESTful API发送复杂的数据结构。 - **处理响应**:解析返回的HTML或JSON内容,提取所需信息。 - **设置请求头...

    httpclient

    5. **请求与响应处理**:HttpClient允许自定义请求头,处理响应头,以及对请求和响应实体内容的编码和解码。 **三、使用HttpClient的步骤** 1. **创建HttpClient实例**:根据项目需求配置连接管理器、重试策略等。...

    httpclient请求oauth服务器中的token

    1. **配置HttpClient**:首先,我们需要创建一个HttpClient实例,设置必要的连接参数,如超时时间、重试策略等。可以使用`HttpClientBuilder`或`HttpAsyncClientBuilder`进行构建。 2. **基础认证(Base64)**:...

    HttpClient 4 官方教程中文翻译版

    ### HttpClient 4 官方教程中文翻译版知识点详解 #### 一、概述 Apache HttpClient 是一个用于Java应用程序的客户端HTTP组件。它旨在提供一个高效、最新且功能丰富的HTTP客户端编程框架,同时也支持HTTPS协议。...

    彻底解决httpClient乱码问题

    6. **异常处理**:在实际应用中,可能出现各种预料之外的编码问题,如服务器未提供编码信息等。此时,需要编写健壮的异常处理代码,以应对这些情况,比如使用默认的编码(如UTF-8)或者尝试其他常见编码。 综上所述...

Global site tag (gtag.js) - Google Analytics