网页内容获取工具 URLConnection

引言

URLConnection 是 JDK 自带的一个抽象类，其代表应用程序和 URL 之间的通信链接。在网络爬虫中，我们可以使用 URLConnection 请求一个 URL 地址，然后获取流信息，通过对流信息的操作，可获得请求到的实体内容。在本篇主要介绍以下内容：

如何创建 URLConnection 对象；
URLConnection 获取数据内容；
Get() 请求操作；
Post() 请求操作；
请求头的设置；
超时的设置；
代理的设置。

另外，本篇所涉及的代码均已上传到了 Github 上，读者可以自行下载学习。

URLConnection 的使用

创建 URLConnection 对象

使用 URLConnection 时，我们无法直接实例化对象，但可以通过在 URL 上调用 openConnection() 方法创建一个连接对象，URL 表示此连接要在互联网上打开的远程对象。其使用方法如下：

URL url = new URL("http://www.w3school.com.cn/b.asp");
URLConnection conn = url.openConnection();

此处的 conn 对象实际上是根据 URL 的请求协议生成的 URLConnection 类。

获取数据内容

要获取URLConnection 请求到的内容，需通过流操作的方式。在 openConnection() 方法执行之后，通过 getInputStream() 获取输入流，之后采用 BufferedReader 读取输入流信息。

基于下面的程序，便可成功输入我们请求到的网页信息（http://www.w3school.com.cn/b.asp）。

InputStream in=conn.getInputStream();
// 定义BufferedReader输入流来读取URL的响应  
BufferedReader reader = new BufferedReader(  
        new InputStreamReader(in));  
String line; 
String html = "";  //这里的内容是html
while ((line = reader.readLine()) != null) {  
    html +=  line;  
}  
System.out.println(html);

GET 请求

在 URLConnection 中，我们可以利用其子类 HttpURLConnection 设置请求方法，如 GET 请求。操作程序如下：

//初始化URL
URL url = new URL("http://www.w3school.com.cn/b.asp");
HttpURLConnection conn = (HttpURLConnection) url.openConnection(); //使用URLConnection的子类HttpURLConnection
// 允许Input
conn.setDoInput(true);   //将此 URLConnection 的 doInput 字段的值设置为true
conn.setRequestMethod("GET");  //设置请求的方法GET
//conn.setRequestMethod("POST"); //注意该网页只能使用GET请求
conn.connect();  //建立实际连接操作
int statusCode = conn.getResponseCode(); //获取响应状态码
String responseBody = null;
if (HttpURLConnection.HTTP_OK == statusCode ) {  //如果响应状态码为200
    BufferedReader bufferedReader = new BufferedReader(
            new InputStreamReader(conn.getInputStream(), "GBK"));  // 定义BufferedReader输入流来读取URL的响应 ,这里设置编码
    //读取内容
    String readLine = null;
    StringBuffer response = new StringBuffer();
    while (null != (readLine = bufferedReader.readLine())) {
        response.append(readLine);
    }

    bufferedReader.close();
    responseBody = response.toString();
}
System.out.println(responseBody);

在上述程序中，我们设置了 setDoInput(true) 表示 URL 连接可用于输入。子类 HttpURLConnection 建立实际连接需要使用 connect() 方法。基于 getResponseCode() 方法可以获取连接响应的状态码，如果该状态码为200，则将响应流读取出来。

POST 请求

使用 HttpURLConnection 也可以提交 POST 请求，例如对表单进行操作。本小节我以一个简单的表单请求为例，这里我们选择了中国邮政快件查询网站。为了获得 POST 方法需要提交的参数，我对该网站进行了抓包，抓包结果如下：

从抓包结果中，可以看到需要提交的参数有三个，但真实输入参数 wen 以及 action 这两个参数便可以请求到数据了。

wen:EH629625211CS action:ajax rnd:0.13662514160225325

具体程序如下：

//Post表单需要提交的参数
String wen = "EH629625211CS";
String action = "ajax";
//初始化URL
URL url = new URL("http://www.kd185.com/ems.php");
HttpURLConnection conn = (HttpURLConnection) url.openConnection(); //使用URLConnection的子类HttpURLConnection
// //允许Input、Output,不使用Cache
conn.setDoOutput(true);  //将此 URLConnection 的 doOutput 字段的值设置为true
conn.setDoInput(true);   //将此 URLConnection 的 doInput 字段的值设置为true
conn.setUseCaches(false);   // 将此 URLConnection 的 useCaches 字段的值设置为false
conn.setRequestMethod("POST"); //Post提交参数
StringBuffer params = new StringBuffer();  
// 表单参数拼接
params.append("wen").append("=").append(wen).append("&")
        .append("action").append("=").append(action);
byte[] bypes = params.toString().getBytes();
conn.getOutputStream().write(bypes);// 在连接中添加参数
BufferedReader bufferedReader = new BufferedReader(
                new InputStreamReader(conn.getInputStream(), "utf-8"));  // 定义BufferedReader输入流来读取URL的响应 ,这里设置编码 
String line; 
String html = "";
while ((line = bufferedReader.readLine()) != null) {  
    html +=  line;  
}  
System.out.println(html);

在 POST 请求程序中，需要设置 setDoOutput() 为 True。该程序能够成功获取服务器返回的数据，如下图所示：

这里写图片描述

请求头的设置

在 URLConnection 以及 HttpURLConnection 中，我们可以使 setRequestProperty(key,value) 的形式设置请求头信息。例如，以下案例：

//初始化URL
URL url = new URL("http://www.w3school.com.cn/b.asp");
URLConnection conn =  url.openConnection(); //使用URLConnection
//添加请求头信息
conn.setRequestProperty("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8");  
conn.setRequestProperty("Accept-Language", "zh-CN,zh;q=0.9"); 
conn.setRequestProperty("Host", "www.w3school.com.cn"); 
conn.setRequestProperty("Cache-Control", "max-age=0"); 
conn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"); 
conn.connect();  //实际连接操作

如若是 HttpURLConnection 设置请求头，只需将上面代码中的 URLConnection conn = url.openConnection() 修改为：

HttpURLConnection conn = (HttpURLConnection) url.openConnection()

超时设置

超时设置，防止网络异常时，可能会导致程序僵死而不继续往下执行的情况。在 URLConnection 以及 HttpURLConnection 中，设置超时包括连接超时和读取超时，其操作如下：

URLConnection conn =  url.openConnection();
// HttpURLConnection conn = (HttpURLConnection) url.openConnection()
conn.setConnectTimeout(30000); //连接超时 单位毫秒 
conn.setReadTimeout(30000);   //读取超时 单位毫秒

代理的设置

在 URLConnection 以及 HttpURLConnection 中，我们可以使用 Proxy 进行设置代理，关于设置代理的作用，读者可以参考《第05课：网页内容获取工具 HttpClient 》。以下程序为 URLConnection 设置代理：

Proxy proxy = new Proxy(Proxy.Type.HTTP, new InetSocketAddress("171.97.67.160", 3128));  //设置代理
URL url = new URL("http://www.w3school.com.cn/b.asp");  
RLConnection conn = url.openConnection(proxy);  //以代理的方式建立连接
conn.connect(); //建立实体连接
BufferedReader bufferedReader = new BufferedReader(
    new InputStreamReader(conn.getInputStream(), "gbk"));  // 定义BufferedReader输入流来读取URL的响应 ,这里设置编码 
String line; 
String html = "";
while ((line = bufferedReader.readLine()) != null) {  
    html +=  line;  
}  
System.out.println(html);

同样，若使用 HttpURLConnection 设置代理，只需将上面代码中的 URLConnection conn = url.openConnection() 修改为：

HttpURLConnection conn = (HttpURLConnection) url.openConnection()

网页内容获取工具 URLConnection

引言

URLConnection 的使用

参考内容

猜你喜欢