HTTPClient抓取网页内容

试了下Apache项目HTTPClient抓取网页内容，抓取到的内容可以提取一些想要的东西。

下载httpcomponents-client-4.0.3-bin.zip，将其解压开，新建立一个普通的javaproject，建立一个UserLibrary,将解压开的文件夹下的lib里的jar包加到新建立的UserLibrary中（当然不使用UserLibrary，直接添加到项目中也是OK的），然后新建立一个测试的类，内容如下：

package httpclient;  
import java.util.regex.Matcher;  
import java.util.regex.Pattern;  
import org.apache.http.Header;  
import org.apache.http.HttpEntity;  
import org.apache.http.HttpResponse;  
import org.apache.http.client.HttpClient;  
import org.apache.http.client.methods.HttpGet;  
import org.apache.http.impl.client.DefaultHttpClient;  
import org.apache.http.util.EntityUtils;  
public class HttpClientDemo {  
    public final static void main(String[] args) throws Exception {  
        HttpClient httpclient = new DefaultHttpClient(); //实例化一个HttpClient  
        HttpGet httpget = new HttpGet(“http://www.baidu.com/”);  
        System.out.println(“executing request ” + httpget.getURI());  
        
        // 查看默认request头部信息  
        System.out.println(“Accept-Charset:” + httpget.getFirstHeader(“Accept-Charset”));  
        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());  
        HttpResponse response = httpclient.execute(httpget);//执行  
        HttpEntity entity = response.getEntity(); //返回服务器响应  
        System.out.println(“—————————————-”);  
        System.out.println(response.getStatusLine()); //服务器返回状态  
    
        if (entity != null) {  
            Header[] headers = response.getAllHeaders(); //返回的HTTP头信息  
            for (int i = 0; i < headers.length; i++) {  
            System.out.println(headers[i]);  
        } 
         
        System.out.println(“Response content length: ” + entity.getContentLength());  
        System.out.println(“—————————————-”);  
        System.out.println(“Response content: ”);  
        //String responseString = EntityUtils.toString(response.getEntity());//返回服务器响应的HTML代码   
        //responseString = new String(responseString.getBytes(“gb2312″),”gbk”);//转换中文  
        //System.out.println(responseString); //打印出服务器响应的HTML代码  
        // 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  
        // 注，如果上面的EntityUtils.toString(response.getEntity())执行了后，就不能再用下面的语句拿数据了，直接用上面的数据  
        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 == null || 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  
            if (m.find()) {  
                charSet = m.group(1);  
            } else {  
                charSet = ”";  
            }  
        }  
        
        if(charSet == null || charSet.equals(“”)) {  
            charSet = ”utf-8″;  
        }  
        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));  
    }  
    System.out.println(“—————————————-”);  
    // Do not feel like reading the response body  
    // Call abort on the request object  
    httpget.abort();  
    // When HttpClient instance is no longer needed,   
    // shut down the connection manager to ensure  
    // immediate deallocation of all system resources  
    httpclient.getConnectionManager().shutdown();  
}  
}