httpclient抓取https网页数据

Myth丶恋晨 2022-04-10 03:43 446阅读 0赞

近日接到一个任务，需要采集某个https网站的部分内容,用到了httpclient（4.5.X），它是Apache Jakarta Common下的子项目，用来提供高效的、最新的、功能丰富的支持HTTP协议的客户端编程工具包，并且它支持HTTP协议最新的版本和建议。先看一下httpclient的简单使用。

封装一个httpclient查询方法:  
public String getHtml(String url) \{  
        String html = null;  
        for (int i = 1; i <= 3; i++) \{  
            CloseableHttpClient httpclient = HttpClients.createDefault();// 创建httpClient对象  
            HttpGet httpget;  
            CloseableHttpResponse response = null;  
            httpget = new HttpGet(url);// 以get方式请求该URL  
            httpget.addHeader(HttpHeaders.USER\_AGENT,  
                    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:33.0) Gecko/20100101 Firefox/33.0");  
            RequestConfig requestConfig = RequestConfig.custom()  
                    .setSocketTimeout(10000).setConnectTimeout(10000).build();// 设置请求和传输超时时间  
            httpget.setConfig(requestConfig);  
            try \{  
                response = httpclient.execute(httpget);// 得到response对象  
                int resStatu = response.getStatusLine().getStatusCode();// 返回码  
                System.out.println("状态码" + resStatu);  
                if (resStatu == HttpStatus.SC\_OK) \{// 200正常   
                    // 获得相应实体  
                    HttpEntity entity = response.getEntity();  
                    if (entity != null) \{  
                        html = EntityUtils.toString(entity, "UTF-8");  
                        html = html.replace("&nbsp;", " ");  
                        break;  
                    \}  
                \}  
            \} catch (Exception e) \{  
                e.printStackTrace();  
            \}  
            finally \{  
                httpclient.getConnectionManager().shutdown();  
            \}  
        \}  
        return html;  
    \}  
1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  
22  
23  
24  
25  
26  
27  
28  
29  
30  
31  
32  
33  
34  
用这个方法抓取一般的http网页没问题.但是如果用来抓取某些https的网页便会出现如下异常:   
unable to find valid certification path to requested target   
异常提示你需要导入一个网站的证书.下面正式来抓取https网页，以本人最近经常使用的一个google镜像网站（https://www.xichuan.pub/scholar?hl=zh-CN&q=hand&btnG=&lr=）为例.   
1.导出网站的证书(谷歌浏览器):

点击浏览器地址栏里的锁标志,在右侧弹框内点击view certificate，点击详细信息，导出base64编码x.509(.cer)(s)证书即可。   
2. 导入keystore证书:   
使用Java自带的keytool工具将导出的.cer证书导入为httpclient可以使用的keystore证书.cmd内进入jdk的bin目录。   
使用如下命令:keytool -import -alias Root -file d:/Root.cer -keystore "d:/trust.keystore" -storepass 123456   
3.使用带有ssl的httpclient实例访问https网站.

public class SSLHttpClient \{

public static String gethtml(String url) \{  
        String html = "";  
        CloseableHttpClient httpclient = null;  
        CloseableHttpResponse response = null;  
        try \{  
            SSLConnectionSocketFactory sslsf = createSSLConnSocketFactory();  
            httpclient = HttpClients.custom()  
                .setSSLSocketFactory(sslsf).build();  
            HttpGet httpget = new HttpGet(url);  
            httpget.addHeader(HttpHeaders.USER\_AGENT,  
                    "Mozilla/5.0 (Windows NT 6.3; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0");  
            RequestConfig requestConfig = RequestConfig.custom()  
                    .setSocketTimeout(10000).setConnectTimeout(10000).build();// 设置请求和传输超时时间  
            httpget.setConfig(requestConfig);  
            System.out.println("Executing request " + httpget.getRequestLine());  
            response = httpclient.execute(httpget);  
            HttpEntity entity = response.getEntity();  
            System.out.println("----------------------------------------");  
            System.out.println(response.getStatusLine());  
            int resStatu = response.getStatusLine().getStatusCode();// 返回码  
            if (resStatu == HttpStatus.SC\_OK) \{// 200正常 其他就不对  
                // 获得相应实体  
                if (entity != null) \{  
                    html = EntityUtils.toString(entity, "UTF-8");  
                    html = html.replace("&nbsp;", " ");  
                \}  
            \}  
            EntityUtils.consume(entity);  
        \} catch(Exception e)\{  
            e.printStackTrace();  
        \}finally\{  
            if(response!=null)\{  
                try \{  
                    response.close();  
                \} catch (IOException e) \{  
                    e.printStackTrace();  
                \}  
            \}  
            if(httpclient!=null)\{  
                try \{  
                    httpclient.close();  
                \} catch (IOException e) \{  
                    e.printStackTrace();  
                \}  
            \}  
        \}  
        return html;  
    \}

// ssl通道证书的创建  
    private static SSLConnectionSocketFactory createSSLConnSocketFactory()  
            throws Exception \{  
        SSLContext sslcontext = SSLContexts  
                .custom()  
                .loadTrustMaterial(  
                        new File(  
                                "C://Users//cloud//Desktop//证书//trust.keystore"),  
                        "123456".toCharArray(), new TrustSelfSignedStrategy())  
                .build();  
        SSLConnectionSocketFactory sslsf = new SSLConnectionSocketFactory(  
                sslcontext, new String\[\] \{ "TLSv1" \}, null,  
                SSLConnectionSocketFactory.getDefaultHostnameVerifier());  
        return sslsf;  
    \}  
\}  
1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  
22  
23  
24  
25  
26  
27  
28  
29  
30  
31  
32  
33  
34  
35  
36  
37  
38  
39  
40  
41  
42  
43  
44  
45  
46  
47  
48  
49  
50  
51  
52  
53  
54  
55  
56  
57  
58  
59  
60  
61  
62  
63  
64  
65  
66  
67  
68  
测试方法:

public static void main(String\[\] args)\{  
        String html = SSLHttpClient.gethtml("https://www.xichuan.pub/scholar?hl=zh-CN&q=hand&btnG=&lr=");  
        if(html!=null&&!html.equals(""))\{  
            Document doc = Jsoup.parse(html);  
            if(doc!=null)\{  
                Elements eles = doc.select("\#gs\_ccl\_results div.gs\_r h3.gs\_rt a");  
                if(eles!=null&&eles.size()!=0)\{  
                    for(int i=0;i<eles.size();i++)\{  
                        System.out.println(i+1+"-"+eles.get(i).text());  
                    \}  
                \}  
            \}  
        \}  
    \}  
1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14

转自:https://blog.csdn.net/blq4411568/article/details/69590597