詳解Java兩種方式簡單實現(xiàn)：爬取網(wǎng)頁并且保存

更新時間：2016年12月27日 10:55:29 作者：ywl925

本篇文章主要介紹了Java兩種方式簡單實現(xiàn)：爬取網(wǎng)頁并且保存，主要用UrlConnection、HttpClient爬取實現(xiàn)，具有一定的參考價值，感興趣的小伙伴們可以參考一下。

對于網(wǎng)絡(luò)，我一直處于好奇的態(tài)度。以前一直想著寫個爬蟲，但是一拖再拖，懶得實現(xiàn)，感覺這是一個很麻煩的事情，出現(xiàn)個小錯誤，就要調(diào)試很多時間，太浪費時間。

后來一想，既然早早給自己下了保證，就先實現(xiàn)它吧，從簡單開始，慢慢增加功能，有時間就實現(xiàn)一個，并且隨時優(yōu)化代碼。

下面是我簡單實現(xiàn)爬取指定網(wǎng)頁，并且保存的簡單實現(xiàn)，其實有幾種方式可以實現(xiàn)，這里慢慢添加該功能的幾種實現(xiàn)方式。

UrlConnection爬取實現(xiàn)

package html;

import java.io.BufferedReader;
import java.io.FileOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.net.MalformedURLException;
import java.net.URL;
import java.net.URLConnection;

public class Spider {

  public static void main(String[] args) {
    
    String filepath = "d:/124.html";
    
    String url_str = "http://www.hao123.com/";
    URL url = null;
    try {
      url = new URL(url_str);
    } catch (MalformedURLException e) {
      e.printStackTrace();
    }
    
    String charset = "utf-8";
    int sec_cont = 1000;
    try {
      URLConnection url_con = url.openConnection();
      url_con.setDoOutput(true);
      url_con.setReadTimeout(10 * sec_cont);
      url_con.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)");
      InputStream htm_in = url_con.getInputStream();
      
      String htm_str = InputStream2String(htm_in,charset);
      saveHtml(filepath,htm_str);
      
    } catch (IOException e) {
      e.printStackTrace();
    }
  }
  /**
   * Method: saveHtml 
   * Description: save String to file
   * @param filepath
   * file path which need to be saved
   * @param str
   * string saved
   */
  public static void saveHtml(String filepath, String str){
    
    try {
      /*@SuppressWarnings("resource")
      FileWriter fw = new FileWriter(filepath);
      fw.write(str);
      fw.flush();*/
      OutputStreamWriter outs = new OutputStreamWriter(new FileOutputStream(filepath, true), "utf-8");
      outs.write(str);
      System.out.print(str);
      outs.close();
    } catch (IOException e) {
      System.out.println("Error at save html...");
      e.printStackTrace();
    }
  }
  /**
   * Method: InputStream2String 
   * Description: make InputStream to String
   * @param in_st
   * inputstream which need to be converted
   * @param charset
   * encoder of value
   * @throws IOException
   * if an error occurred 
   */
  public static String InputStream2String(InputStream in_st,String charset) throws IOException{
    BufferedReader buff = new BufferedReader(new InputStreamReader(in_st, charset));
    StringBuffer res = new StringBuffer();
    String line = "";
    while((line = buff.readLine()) != null){
      res.append(line);
    }
    return res.toString();
  }

}

實現(xiàn)過程中，爬取的網(wǎng)頁的中文亂碼問題，是個比較麻煩的事情。

HttpClient爬取實現(xiàn)

HttpClient實現(xiàn)爬取網(wǎng)頁時，遇到了很多問題。其一，就是存在兩個版本的HttpClient，一個是sun內(nèi)置的，另一個是apache開源的一個項目，似乎sun內(nèi)置用的不太多，我也就沒有實現(xiàn)，而是采用了apache開源項目（以后說的HttpClient都是指apache的開源版本）；其二，在使用HttpClient時，最新的版本已經(jīng)不同于以前的版本，從HttpClient4.x版本后,導入的包就已經(jīng)不一樣了，從網(wǎng)上找的很多部分都是HttpClient3.x版本的，所以如果使用最新的版本，還是看幫助文件為好。

我用的是Eclipse，需要配置環(huán)境導入引用包。

首先，下載HttpClient，地址是：http://hc.apache.org/downloads.cgi，我是用的事HttpClient4.2版本。

然后，解壓縮，找到了/lib文件夾下的commons-codec-1.6.jar，commons-logging-1.1.1.jar，httpclient-4.2.5.jar，httpcore-4.2.4.jar（版本號根據(jù)下載的版本有所不同，還有其他的jar文件，我這里暫時用不到，所以先導入必須的）；

最后，將上面的jar文件，加入classpath中，即右擊工程文件 => Bulid Path => Configure Build Path => Add External Jar..,然后添加上面的包就可以了。

還用一種方法就是講上面的包，直接復制到工程文件夾下的lib文件夾中。

下面是實現(xiàn)代碼：

package html;

import java.io.BufferedReader;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;

import org.apache.http.HttpEntity;
import org.apache.http.HttpResponse;
import org.apache.http.client.*;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.DefaultHttpClient;

public class SpiderHttpClient {

  public static void main(String[] args) throws Exception {
    // TODO Auto-generated method stub
    String url_str = "http://www.hao123.com";
    String charset = "utf-8";
    String filepath = "d:/125.html";
    
    HttpClient hc = new DefaultHttpClient();
    HttpGet hg = new HttpGet(url_str);
    HttpResponse response = hc.execute(hg);
    HttpEntity entity = response.getEntity();
    
    
    InputStream htm_in = null;
    
    if(entity != null){
      System.out.println(entity.getContentLength());
      htm_in = entity.getContent();
      String htm_str = InputStream2String(htm_in,charset);
      saveHtml(filepath,htm_str);
    }
  }
  /**
   * Method: saveHtml 
   * Description: save String to file
   * @param filepath
   * file path which need to be saved
   * @param str
   * string saved
   */
  public static void saveHtml(String filepath, String str){
    
    try {
      /*@SuppressWarnings("resource")
      FileWriter fw = new FileWriter(filepath);
      fw.write(str);
      fw.flush();*/
      OutputStreamWriter outs = new OutputStreamWriter(new FileOutputStream(filepath, true), "utf-8");
      outs.write(str);
      outs.close();
    } catch (IOException e) {
      System.out.println("Error at save html...");
      e.printStackTrace();
    }
  }
  /**
   * Method: InputStream2String 
   * Description: make InputStream to String
   * @param in_st
   * inputstream which need to be converted
   * @param charset
   * encoder of value
   * @throws IOException
   * if an error occurred 
   */
  public static String InputStream2String(InputStream in_st,String charset) throws IOException{
    BufferedReader buff = new BufferedReader(new InputStreamReader(in_st, charset));
    StringBuffer res = new StringBuffer();
    String line = "";
    while((line = buff.readLine()) != null){
      res.append(line);
    }
    return res.toString();
  }
}

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: