使用HttpClient和Jsoup快捷抓取和分析页面-原创手记-慕课网

最近在写一个小爬虫，准备爬一部分网页数据，来做模型训练，在考虑如何抓取网页及分析网页时，参考了OSC站中一些项目，特别是@黄亿华写的《webmagic的设计机制及原理-如何开发一个Java爬虫》这篇文章给了不少启发，webmagic是一个垂直的爬虫，而我要写的是一个比较通用的爬虫，主要爬起中文的网站的内容，对于HTTP协议及报文的处理，没有比HttpClient组件更好的选择了，对于HTML代码的解析，在比较HTMLParser和Jsoup后，后者在API的使用上优势明显，简洁易懂。所使用的开源组件定下来后，接着开始思考如何抓取和解析这两个基本功能。

对于我的爬虫抓取这部分功能来说，只要根据网页的URL抓取HTML代码，再从HTML代码中的解析出链接和<p>标签的文本即可以，因此解析的结果可以用一个Page类来表示，这个类纯粹是一个POJO，那么如何使用HttpClient和Jsoup直接解析成Page对象？

在HttpClient 4.2中，提供了ResponseHandler<T>这个接口来负责处理HttpResponse，因此，借助实现这个接口，可以所返回的HTML代码解析成所需要的Page对象，主要的思路是先把HttpResponse中的数据读出来，变换成HTML代码，然后再用jsoup解析<p>标签和<a>标签。代码如下，

public class PageResponseHandler implements ResponseHandler<Page> {

private Page page;

public PageResponseHandler(Page page) {
this.page = page;
}

public void setPage(Page page) {
this.page = page;
}

public Page getPage() {
return page;
}

@Override
public Page handleResponse(HttpResponse response) throws ClientProtocolException, IOException {

StatusLine statusLine = response.getStatusLine();
HttpEntity entity = response.getEntity();

if (statusLine.getStatusCode() >= 300) {
    EntityUtils.consume(entity);
    throw new HttpResponseException(statusLine.getStatusCode(), statusLine.getReasonPhrase());
}

if (entity == null)
    return null;

// 利用HTTPClient自带的EntityUtils把当前HttpResponse中的HttpEntity转化成HTML代码
String html = EntityUtils.toString(entity);

Document document = Jsoup.parse(html);
Elements links = document.getElementsByTag("a");

for (int i = 0; i < links.size(); i++) {
    Element link = links.get(i);
    page.addAnchor(link.attr("href"), link.text());
}

// parse context of plain text from HTML code,
Elements paragraphs = document.getElementsByTag("p");
StringBuffer plainText = new StringBuffer(html.length() / 2);
for (int i = 0; i < paragraphs.size(); i++) {
    Element paragraph = paragraphs.get(i);
    plainText.append(paragraph.text()).append("\n");
}
page.setPlainText(plainText.toString());

return page;
}

}
代码不超过40行，非常简单，现在可以直接返回Page对象了，写一个测试类，来测试这个PageResponseHandler.测试这个类的功能也不需要复杂的代码。

public class PageResponseHandlerTest {

HttpClient httpclient;

PageResponseHandler pageResponseHandler;

final String url = "http://news.163.com/13/0903/11/97RHS2NS0001121M.html";

Page page = new Page(url);

@Before
public void setUp() throws Exception {
httpclient = new DefaultHttpClient();
HttpGet httpget = new HttpGet(url);
pageResponseHandler = new PageResponseHandler(page);
httpclient.execute(httpget, pageResponseHandler);
}

@After
public void tearDown() throws Exception {
httpclient.getConnectionManager().shutdown();
}

@Test
public void test() {
System.out.println(page.getPlainText());
assertTrue(page.getPlainText().length() > 0);
assertTrue(page.getAnchors().size() > 0);
}

}
到目前为止，这个爬虫中的抓取和分析功能部分都工作的很好，对于中文，也能很好的解析，比较细心的读者会看到，这些代码中并没有设置字符集，也没有进行字符集进行转换，稍后会讲到HttpClient 4.2组件中字符集的处理。
先回顾一下关于HTTP协议的RFC规范中Content-Type作用，它指明发送给接收者Http Entity内容的媒介类型，对于文本类型的HttpEntity而言，它通常是下面的形式，指定HttpEntity的媒介类型，使用了何种字符集进行编码的，此外RFC规范还规定了，在Content-Type没有指定字符集的情况，默认使用ISO-8859-1字符集对Http Entity进行编码

1
Content-Type: text/html; charset=UTF-8
说到这里，大家应该能猜到HttpClient 4.2是如何能正确的进行编码的----就是利用Content-Type头中所包含的字符集作为编码的输入源。具体的代码可以看EntityUtils这个类的第212行开始的代码。EntityUtils首先从HttpEntity对象中获取Content-Type, 如果Content-Type的字符集不为空，则使用Content-Type对象中指定的字符集进行编码，否则使用开发者指定的字符集进行编码，如果开发者也没有指定字符集，使用默认的字符集iso-8859-1进行编码，当然编码实现，还是调用JDK的Reader类。

ContentType contentType = ContentType.getOrDefault(entity);
Charset charset = contentType.getCharset();
if (charset == null) {
charset = defaultCharset;
}
if (charset == null) {
charset = HTTP.DEF_CONTENT_CHARSET;
}
Reader reader = new InputStreamReader(instream, charset);
CharArrayBuffer buffer = new CharArrayBuffer(i);
char[] tmp = new char[1024];
int l;
while((l = reader.read(tmp)) != -1) {
buffer.append(tmp, 0, l);
}
return buffer.toString();
开放的互联网造就繁荣的网站的同时，也给非遵循HTML规范的网站一些机会，有一些中文网站，没有正确的设置HTTP请求相应头中的Content-Type属性，导致HttpClient用默认的iso-8859-1字符集对Http Entity内进行编码，因此为了防止HttpClient在爬取中文网站出现乱码的问题，可以指定一个默认的GBK字符集，对原有的PageResponseHandler中的那行转换字符串的代码修改成

String html = EntityUtils.toString(entity, Charset.forName("gbk"));
至此，爬虫的爬取和解析功能都完成了，再也不怕没有正确设置Content-Type头的中文网站。希望这个篇文章能对读者有用。