HttpClient拉取连载小说

上午刚入手的小说，下午心血来潮想从网站上拉取下来做成电子书，呵呵，瞎折腾～说做就做～

【抓包】

这一步比什么都重要，如果找不到获取真正资源的那个请求，就什么都不用做了～

先是打算用迅雷把所有页面都下载下来然后本地处理，结果发现保存下来的页面都只有界面没有内容～看了看Javascript的代码，原来是ready的时候再ajax发送post到另一个网址取内容。

于是再抓包核实一下。抓包工具真难搞，试了两三个都没成功，最后还是用firefox搞定了～打开页面共发送了50个请求，不过post只有两个，很快就看到http包的内容了。

 

【写程序拉取】

网址，请求的header，表单 都具备了，还等什么，赶紧码字爬取啦～本来还担心要伪装浏览器，要填入cookies内容，调试起来发现是想太多了，直奔网址带上表单就够了～

HttpClient的用法是现炒现卖，官方example的QuickStart.java就够很清晰了。再有就是debug进去看请求和响应。

用法见HttpPost和crawlOnePage(HttpRequestBase)。MyFileWriter就不贴出来献丑了，反正就是个I/O。

遇到并解决的问题：

1.响应回来的资源是gzip压缩过的，要用对应的类去解码；

2.网址序列号中个别缺页，通过判断响应里的状态码跳过即可。

（全文完，以下是代码。）

package mycrawl;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.apache.http.HttpEntity;
import org.apache.http.NameValuePair;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.entity.GzipDecompressingEntity;
import org.apache.http.client.entity.UrlEncodedFormEntity;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpPost;
import org.apache.http.client.methods.HttpRequestBase;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.message.BasicNameValuePair;
import org.apache.http.util.EntityUtils;

import crawl.common.MyFileWriter;

public class MyCrawl {

    private static CloseableHttpClient httpclient = HttpClients.createDefault();

    /**
     * (1)建立post对象，包括网址和表单 (2)循环抓取每页并处理输出
     * 
     * @param args
     * @throws IOException
     */
    public static void main(String[] args) throws IOException {
        final int startChapter = 页面序列号;
        final int endChapter = 页面序列号;
        final Integer bookId = bookid;
        String outPattern = "c:\\book*.txt";
        MyFileWriter fw = new MyFileWriter(outPattern);

        // 创建post操作
        HttpPost httpPost = new HttpPost("网址");
        List<NameValuePair> nvps = new ArrayList<NameValuePair>(2);

        try {
            // post的表单内容
            nvps.add(new BasicNameValuePair("b", bookId.toString()));
            nvps.add(new BasicNameValuePair("c", "placeholder"));

            for (Integer i = startChapter, j = 0; i <= endChapter; i++, j++) {
                // 循环抓取连续章节
                nvps.set(1, new BasicNameValuePair("c", i.toString()));
                httpPost.setEntity(new UrlEncodedFormEntity(nvps));

                String outStr = MyCrawl.crawlOnePage(httpPost);
                if (outStr == null || outStr.isEmpty()) {
                    j--;
                    continue;
                }
                // 处理章节标题，懒得去抓取标题页了。
                outStr = "====== " + MyCrawl.chapterArr[j] + "\r\n"
                        + MyCrawl.prettyTxt(outStr);
                // System.out.println(outStr);
                fw.rollingAppend(outStr);
            }
            fw.getFileWriter().flush();
            fw.getFileWriter().close();
            System.out.println("已完成");

        } finally {
            httpclient.close();
        }
    }

    /**
     * 抓取单页
     * 
     * @param req
     * @return result
     * @throws ClientProtocolException
     * @throws IOException
     */
    public static String crawlOnePage(HttpRequestBase req)
            throws ClientProtocolException, IOException {

        String result;
        CloseableHttpResponse resp = httpclient.execute(req);

        // 处理返回码
        int status = resp.getStatusLine().getStatusCode();
        if (status < 200 || status >= 300) {
            System.out.println("[Error] " + resp.getStatusLine().toString());
            return "";
        } else if (status != 200) {
            System.out.println("[Warn] " + resp.getStatusLine().toString());
            return "";
        }

        HttpEntity entity = resp.getEntity();
        if (entity instanceof GzipDecompressingEntity) {
            // 解压缩内容
            GzipDecompressingEntity gEntity = (GzipDecompressingEntity) entity;
            result = EntityUtils.toString(gEntity);
        } else {
            result = EntityUtils.toString(entity);
        }

        EntityUtils.consume(entity);
        resp.close();
        return result;
    }

    /**
     * 处理换行等特殊字符
     * 
     * @param txt
     * @return string
     */
    public static String prettyTxt(String txt) {
        if (txt == null || txt.isEmpty()) {
            return "";
        }
        int contentStart = txt.indexOf("content") + 10;
        int contentEnd = txt.indexOf("　　<br/><br/>　　\",\"next");
        txt = txt.substring(contentStart, contentEnd);
        return txt.replace("<br/><br/>", "\r\n");
    }

    // 章节标题
    private static final String[] chapterArr = new String[] { "第一章",
            "第二章" };

}