使用HttpClient+Jericho HTML Parser 实现网页抓取

核心提示：Jericho HTML Parser是一个简单而功能强大的Java HTML解析器库，可以分析和处理HTML文档的一部分，包括一些通用的服务器端标签，同时也可以重新生成无法识别的或无效的HTML。它也提供了一个有用的HTML表单分析器。 下载地址:http://sourceforge.net/project/
Jericho HTML Parser是一个简单而功能强大的Java HTML解析器库，可以分析和处理HTML文档的一部分，包括一些通用的服务器端标签，同时也可以重新生成无法识别的或无效的HTML。它也提供了一个有用的HTML表单分析器。
  下载地址:http://sourceforge.net/project/showfiles.php?group_id=101067

  HttpClient作为HTTP客户端组件与服务器进行通讯，同时使用了jdom进行XML数据的解析。

    * HttpClient 可以在http://jakarta.apache.org/commons/httpclient/downloads.html下载
    * HttpClient 用到了 Apache Jakarta common 下的子项目 logging，你可以从这个地址http://jakarta.apache.org/site/downloads /downloads_commons-logging.cgi下载到 common logging，从下载后的压缩包中取出 commons-logging.jar 加到 CLASSPATH 中
    * HttpClient 用到了 Apache Jakarta common 下的子项目 codec，你可以从这个地址http://jakarta.apache.org/site/downloads /downloads_commons-codec.cgi 下载到最新的 common codec，从下载后的压缩包中取出 commons-codec-1.x.jar 加到 CLASSPATH 中


在对网页信息进行抓取时,主要会用到GET 方法

使用 HttpClient 需要以下 6 个步骤：

1. 创建 HttpClient 的实例

2. 创建某种连接方法的实例，在这里是 GetMethod。在 GetMethod 的构造函数中传入待连接的地址

3. 调用第一步中创建好的实例的 execute 方法来执行第二步中创建好的 method 实例

4. 读 response

5. 释放连接。无论执行方法是否成功，都必须释放连接

6. 对得到后的内容进行处理
在eclipse下建立工程 -->snatch
将上面下载的四个jar文件导入到项目路径中.
环境搭建完成

现在,首先介绍一下HttpClient的使用
在工程目录下创建test包,在包中创建Httpclient Test类

package test;   
import java.io.IOException;   
import org.apache.commons.httpclient.*;   
import org.apache.commons.httpclient.methods.GetMethod;   
import org.apache.commons.httpclient.params.HttpMethodParams;   
public class HttpClientTest...{   
  public static void main(String[] args) {   
  //构造HttpClient的实例   
  HttpClient httpClient = new HttpClient();   
  //创建GET方法的实例   
  GetMethod getMethod = new GetMethod("http://www.google.com.cn");   
  //使用系统提供的默认的恢复策略   
  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,   
    new DefaultHttpMethodRetryHandler());   
  try {   
   //执行getMethod   
   int statusCode = httpClient.executeMethod(getMethod);   
   if (statusCode != HttpStatus.SC_OK) {   
    System.err.println("Method failed: "  
      + getMethod.getStatusLine());   
   }   
   //读取内容    
   byte[] responseBody = getMethod.getResponseBoy();   
   //处理内容   
   System.out.println(new String(responseBody));   
  } catch (HttpException e) {   
   //发生致命的异常，可能是协议不对或者返回的内容有问题   
   System.out.println("Please check your provided http address!");   
   e.printStackTrace();   
  } catch (IOException e) {   
   //发生网络异常   
   e.printStackTrace();   
  } finally {   
   //释放连接   
   getMethod.releaseConnection();   
  }   
}   
}  

这样得到的是页面的源代码.
这里 byte[] responseBody = getMethod.getResponseBoy();是读取内容
除此之外,我们还可以这样读取:
InputStream inputStream=   getMethod.getResponseBodyAsStream();
String responseBody = getMethod.getResponseBodyAsString();


下面结合两者给个事例
取出http://www.ahcourt.gov.cn/gb/ahgy_2004/fyxw/index.html
中"信息快递"栏的前几条信息.
新建类CourtNews

package test;   
  
import java.io.IOException;   
import java.util.ArrayList;   
import java.util.Iterator;   
import java.util.List;   
  
import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;   
import org.apache.commons.httpclient.HttpClient;   
import org.apache.commons.httpclient.HttpException;   
import org.apache.commons.httpclient.HttpStatus;   
import org.apache.commons.httpclient.methods.GetMethod;   
import org.apache.commons.httpclient.params.HttpMethodParams;   
  
import au.id.jericho.lib.html.Element;   
import au.id.jericho.lib.html.HTMLElementName;   
import au.id.jericho.lib.html.Segment;   
import au.id.jericho.lib.html.Source;   
  
/** *//**  
* @author oscar 07-5-17  
*   
*/  
public class CourtNews {   
    private int newsCount = 3;   
  
    private List newsList = new ArrayList();   
  
    public int getNewsCount() {   
        return newsCount;   
    }   
  
    public void setNewsCount(int newsCount) {   
        this.newsCount = newsCount;   
    }   
  
    public List getNewsList() {   
        HttpClient httpClient = new HttpClient();   
        GetMethod getMethod = new GetMethod(   
                "http://www.ahcourt.gov.cn/gb/ahgy_2004/fyxw/index.html");   
        getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,   
                new DefaultHttpMethodRetryHandler());   
  
        try {   
            int statusCode = httpClient.executeMethod(getMethod);   
            if (statusCode != HttpStatus.SC_OK) {   
                System.err   
                        .println("Method failed:" + getMethod.getStatusLine());   
            }   
  
            String responseBody = getMethod.getResponseBodyAsString();   
            responseBody = new String(responseBody.getBytes("ISO-8859-1"),   
                    "GB2312");   
            Source source = new Source(responseBody);   
  
            int tableCount = 0;   
  
            for (Iterator i = source.findAllElements(HTMLElementName.TABLE)   
                    .iterator(); i.hasNext(); tableCount++) {   
  
                Segment segment = (Segment) i.next();   
  
                if (tableCount == 13) {   
  
                    int hrefCount = 0;   
                    for (Iterator j = segment   
                            .findAllElements(HTMLElementName.A).iterator(); j   
                            .hasNext();) {   
                        Segment childsegment = (Segment) j.next();   
                        String title = childsegment.extractText();   
                        title.replace(" ", " ");   
                        title = trimTitle(title);   
                        Element childelement = (Element) childsegment;   
                        if (hrefCount < newsCount) {   
  
                            String[] news = new String[] {   
                                    title,   
                                    "http://www.ahcourt.gov.cn"  
                                            + childelement   
                                                    .getAttributeValue("href") };   
                            newsList.add(news);   
                            hrefCount++;   
                        }   
                    }   
  
                }   
            }   
        } catch (HttpException e) {   
            System.out.println("please check your provided http address!");   
            e.printStackTrace();   
        } catch (IOException e) {   
            e.printStackTrace();   
        } finally {   
            getMethod.releaseConnection();   
        }   
        return newsList;   
    }   
  
    private String trimTitle(String title) {   
        String titlenew = "";   
  
        for (int i = 0; i < title.length(); i++) {   
  
            if (Character.isSpaceChar(title.charAt(i)))   
                titlenew += " ";   
            else {   
                titlenew += title.charAt(i);   
            }   
  
        }   
        return titlenew;   
    }   
    public static void main(String[] args) {   
        // TODO Auto-generated method stub   
        CourtNews justice = new CourtNews();   
        justice.setNewsCount(4);   
        List list = justice.getNewsList();   
        Iterator it = list.iterator();   
        while (it.hasNext()) {   
            String[] news = (String[]) it.next();   
            System.out.println(news[0]);   
            System.out.println(news[1]);   
    }   
    }   
  
}  
http://ajava.org/course/open/14246.html