c httpclient抓取网页(广州图书馆处理方法 )

　　c httpclient抓取网页(广州图书馆处理方法

)

　　欢迎访问我的个人网站，如果你能在GitHub上给网站的源代码一个star就更好了。

　　当我建立自己的网站时，我想记录我所有阅读和借阅的书籍。大学也爬了我学校的图书馆记录，但是数据库被删了==只保留了一个。截图。所以你要珍惜阅读的日子，记录你的借阅记录——广州图书馆。现在代码已经放在服务器上可以正常运行了。结果，检查我的网站（关于我）页面。整个代码使用HttpClient，存储在MySql中，定期使用Spring自带的Schedule。以下是爬取过程。

　　1.页面跳转过程

　　一般是进入首页，点击进入登录页面，然后输入账号密码。从表面上看，并没有什么特别之处。实际上，在模拟登录时，并不只是向链接发布请求那么简单。获得的响应要么跳回登录页面，要么不受限制地重定向。

　　

　　其实是做单点登录的，如下图，广州图书馆网址是：，登录网址是：。原理网上很多人讲的很好，可以看看这篇文章SSO单点登录。

　　

　　2.如何处理

　　解决方法不难，只要访问模拟的主页获取库会话，python的获取代码如：session.get("")，打印cookie后如下：

　　[, , ]

　　整个登录和抓包流程如下：

　　

　　即：

　　（1） 用户首先点击广州图书馆首页获取修改后的URL的session，然后点击登录界面，解析html，获取lt（自定义参数，类似验证码），和单点登录服务器会话。

　　（2）向目标服务器（单点登录服务器）提交post请求，请求参数包括username（用户名）、password（密码）、event（时间，默认为submit）、lt（自定义请求） parameters) 同时服务器要验证的参数：refer（源页面）、host（主机信息）、Content-Type（类型）。

　　（3）打印响应，搜索自己的名字，如果有就成功，否则会跳回登录页面。

　　（4）使用cookies访问其他页面，这里实现的是抓取借阅历史，所以访问的页面是：。

　　这就是基本的模拟登录和检索。之后就是对html的解析，书名的检索，书的索引等，然后封装成JavaBean，再存入数据库。（我没有做繁重的工作，不知道哪种方式更好）

　　3.代码

　　3.1 Java中一般使用httpclient来提交http请求。首先是需要导入的httpclient相关包：

　　

org.apache.httpcomponents

httpclient

4.5.3

org.apache.httpcomponents

httpcore

4.4.7

　　3.2 构建并声明全局变量-上下文管理器，其中上下文为上下文管理器

　　public class LibraryUtil {

private static CloseableHttpClient httpClient = null;

private static HttpClientContext context = null;

private static CookieStore cookieStore = null;

static {

init();

}

private static void init() {

context = HttpClientContext.create();

cookieStore = new BasicCookieStore();

// 配置超时时间

RequestConfig requestConfig = RequestConfig.custom().setConnectTimeout(12000).setSocketTimeout(6000)

.setConnectionRequestTimeout(6000).build();

// 设置默认跳转以及存储cookie

httpClient = HttpClientBuilder.create()

.setKeepAliveStrategy(new DefaultConnectionKeepAliveStrategy())

.setRedirectStrategy(new DefaultRedirectStrategy()).setDefaultRequestConfig(requestConfig)

.setDefaultCookieStore(cookieStore).build();

}

...

　　3.3 声明一个get函数，可以自定义header。这里不需要它，但保留它并使其成为通用目的。

　　 public static CloseableHttpResponse get(String url, Header[] header) throws IOException {

HttpGet httpget = new HttpGet(url);

if (header != null && header.length > 0) {

httpget.setHeaders(header);

}

CloseableHttpResponse response = httpClient.execute(httpget, context);//context用于存储上下文

return response;

}

　　3.4 访问主页获取会话。服务器上的会话是使用 session 存储的。本地浏览器使用 cookie。只要不在本地注销，也可以使用本地cookies来访问，但是为了达到模拟登录的效果，这里就不解释了。

　　CloseableHttpResponse homeResponse = get("http://www.gzlib.gov.cn/", null);

homeResponse.close();

　　此时，如果打印cookie，可以看到当前cookie如下：

　　3.5 访问登录页面，获取单点登录服务器背后的cookie，解析网页，获取自定义参数lt。这里的解析网页使用的是Jsoup，语法类似于python中的BeautifulSoup。

　　String loginURL = "http://login.gzlib.gov.cn/sso-server/login?service=http%3A%2F%2Fwww.gzlib.gov.cn%2Flogin.jspx%3FreturnUrl%3Dhttp%253A%252F%252Fwww.gzlib.gov.cn%252F%26locale%3Dzh_CN&appId=www.gzlib.gov.cn&locale=zh_CN";

CloseableHttpResponse loginGetResponse = get(loginURL, null);

String content = toString(loginGetResponse);

String lt = Jsoup.parse(content).select("form").select("input[name=lt]").attr("value");

loginGetResponse.close();

　　此时，再次检查cookie，多一个()：

　　3.6 声明一个post函数提交post请求，提交的参数默认为

　　 public static CloseableHttpResponse postParam(String url, String parameters, Header[] headers)

throws IOException {

System.out.println(parameters);

HttpPost httpPost = new HttpPost(url);

if (headers != null && headers.length > 0) {

for (Header header : headers) {

httpPost.addHeader(header);

}

}

List nvps = toNameValuePairList(parameters);

httpPost.setEntity(new UrlEncodedFormEntity(nvps, "UTF-8"));

CloseableHttpResponse response = httpClient.execute(httpPost, context);

return response;

}

　　3.7 登录成功后，如果没有声明returnurl，即登录链接为()，则只显示登录成功的页面：

　　

　　后端应定义链接重定向服务。如果想在登录成功后得到重定向页面，可以修改服务后的链接，这里会保持原来的状态。此时查看cookie的结果如下：

　　其中CASTGC的出现表示登录成功，可以使用cookie访问广州图书馆的其他页面。在python中是直接跳转到其他页面，但是在java中使用httpclient的过程中，看到的并不是直接跳转。，但是一个302重定向，打印Header后的结果如下：

　　

　　仔细研究一下链接，你会发现服务器就相当于给了一张普通的票券，即可以使用该票券访问任何页面，而returnUrl就是返回的页面。这里我们直接访问重定向的url。

　　Header header = response.getHeaders("Location")[0];

CloseableHttpResponse home = get(header.getValue(), null);

　　然后打印页面，得到登录后跳转的首页。

　　3.8 解析 html

　　获取session后跳回首页，访问借阅历史页面，然后在html中解析结果。在python中使用了BeautifulSoup，简单实用，java中的jsoup也是不错的选择。

　　 String html = getHTML();

Element element = Jsoup.parse(html).select("table.jieyue-table").get(0).select("tbody").get(0);

Elements trs = element.select("tr");

for (int i = 0; i < trs.size(); i++) {

Elements tds = trs.get(i).select("td");

System.out.println(tds.get(1).text());

}

　　输出结果：

　　企业IT架构转型之道

大话Java性能优化

深入理解Hadoop

大话Java性能优化

Java EE开发的颠覆者：Spring Boot实战

大型网站技术架构：核心原理与案例分析

Java性能权威指南

Akka入门与实践

高性能网站建设进阶指南：Web开发者性能优化最佳实践：Performance best practices for Web developers

Java EE开发的颠覆者：Spring Boot实战

深入理解Hadoop

大话Java性能优化

　　点击查看源代码

　　总结

　　目前修改后的代码已经集成到个人网站中，每天抓一次，但是还有很多事情没有做（比如分页、去重等）。如果你有兴趣，你可以研究源代码，如果你能帮助改进它。甚至更好。谢谢♪(･ω･)ﾉ。整个代码接近250行，当然……包括注释，但是使用python后，只有25行=w=，这里是python源代码。同时欢迎大家访问我的个人网站，也欢迎大家给个star。

　　import urllib.parse

import requests

from bs4 import BeautifulSoup

session = requests.session()

session.get("http://www.gzlib.gov.cn/")

session.headers.update(

{"Referer": "http://www.gzlib.gov.cn/member/historyLoanList.jspx",

"origin": "http://login.gzlib.gov.cn",

'Content-Type': 'application/x-www-form-urlencoded',

'host': 'www.gzlib.gov.cn',

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'

}

)

baseURL = "http://login.gzlib.gov.cn/sso-server/login"

soup = BeautifulSoup(session.get(baseURL).text, "html.parser")

lt = soup.select("form")[0].find(attrs={'name': 'lt'})['value']

postdict = {"username": "你的*敏*感*词*",

"password": "密码（默认为*敏*感*词*后6位）",

"_eventId": "submit",

"lt": lt

}

postdata = urllib.parse.urlencode(postdict)

session.post(baseURL, postdata)

print(session.get("http://www.gzlib.gov.cn/member/historyLoanList.jspx").text)