欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

HttpClient入门实例之简单的pdf文件爬虫 javaclientpdf 

程序员文章站 2022-06-14 16:14:32
...

需求:从网址http://www3.tjcu.edu.cn/wangshangketang/yuanneike/guanlixue/sjxz.htm上下载所有的pdf文件

代码如下:

 

import java.io.File;

 import java.io.FileOutputStream;

 import java.io.IOException;

 import java.io.InputStream;

 import java.net.URLEncoder;

 import java.util.ArrayList;

 import java.util.List;

 import java.util.Timer;

 import java.util.TimerTask;

 

 import org.apache.http.HttpEntity;

 import org.apache.http.HttpResponse;

 import org.apache.http.client.ClientProtocolException;

 import org.apache.http.client.HttpClient;

 import org.apache.http.client.methods.HttpGet;

 import org.apache.http.conn.ClientConnectionManager;

 import org.apache.http.conn.params.ConnManagerParams;

 import org.apache.http.conn.params.ConnPerRouteBean;

 import org.apache.http.conn.scheme.PlainSocketFactory;

 import org.apache.http.conn.scheme.Scheme;

 import org.apache.http.conn.scheme.SchemeRegistry;

 import org.apache.http.conn.ssl.SSLSocketFactory;

 import org.apache.http.impl.client.DefaultHttpClient;

 import org.apache.http.impl.conn.tsccm.ThreadSafeClientConnManager;

 import org.apache.http.params.BasicHttpParams;

 import org.apache.http.params.HttpConnectionParams;

 import org.apache.http.params.HttpParams;

 import org.apache.http.protocol.BasicHttpContext;

 import org.apache.http.protocol.HttpContext;

 

 import org.htmlparser.Node;

 import org.htmlparser.NodeFilter;

 import org.htmlparser.Parser;

 import org.htmlparser.filters.AndFilter;

 import org.htmlparser.filters.NodeClassFilter;

 import org.htmlparser.tags.LinkTag;

 import org.htmlparser.util.NodeList;

 import org.htmlparser.util.ParserException;

 

 public class Crawler implements Runnable{

     public static String SAVE="C:/Users/Administrator/Downloads";//下载保存路径

     private String url="";//要抓取的网页地址

     public Crawler(String url){

         this.url=url;

     }

     public Crawler(){}

     /**

      * 

      * @param url 要抓取的网页的地址

      * @return 这个对应的内容

      * @throws ClientProtocolException

      * @throws IOException

 */

     private String crawl(String url) throws ClientProtocolException, IOException{

         System.out.println("[INFO] Crawl From : "+url);

         HttpClient httpClient = new DefaultHttpClient();

         HttpGet httpGet=new HttpGet(url);

         HttpResponse httpResponse = httpClient.execute(httpGet);

         HttpEntity httpEntity=httpResponse.getEntity();

         InputStream inStream=httpEntity.getContent();

         String content="";

         while(true){

             byte[] bytes=new byte[1024*1000];

             int k=inStream.read(bytes);

             if(k>=0)content=content+new String(bytes,0,k);

             else break;

             System.out.println(content);

             System.out.println("=========================================================================================");

         }

         return content;

     }

 

     public void run(){

         try {

             String prefix=this.url.substring(0,this.url.lastIndexOf("/"));

             String content=this.crawl(this.url);//抓取网页内容

             Parser parser=new Parser(content); //使用HTMLParser对网页内容进行解析

             NodeFilter filter;

             NodeList list;

             filter=new NodeClassFilter(LinkTag.class);

             filter=new AndFilter(filter,new NodeFilter(){

                 public boolean accept(Node node) {

                     return ((LinkTag)node).isHTTPLink();

                 }});

             list=parser.extractAllNodesThatMatch(filter);

             List<String> urlsList =new ArrayList<String>();

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

                 String[] array=list.elementAt(i).getText().split("\"");

                 if(array[1].endsWith(".pdf")||array[1].endsWith(".PDF")){//只下载pdf

                     String downloadUrl=new String(prefix+"/"+array[1]);

                     urlsList.add(downloadUrl);//生成需要下载的地址

                 }

             }

             //从这里开始是进行下载,使用了多线程执行请求

             HttpParams params=new BasicHttpParams();

             //ConnManagerParams.setTimeout(params, 60000*3); //设置连接最大等待时间

             ConnManagerParams.setMaxConnectionsPerRoute(params, new ConnPerRouteBean(50));//设置并发数

 //HttpConnectionParams.setConnectionTimeout(params, 60000*2);  //设置连接超时时间

             HttpConnectionParams.setSoTimeout(params, 60000*10);//设置读取超时时间

 

             SchemeRegistry schemeRegistry=new SchemeRegistry();

             schemeRegistry.register(new Scheme("http",PlainSocketFactory.getSocketFactory(),80));

             schemeRegistry.register(new Scheme("https", SSLSocketFactory.getSocketFactory(), 443)); 

             ThreadSafeClientConnManager cm=new ThreadSafeClientConnManager(params,schemeRegistry);

 

             HttpClient httpClient=new DefaultHttpClient(cm,params);

             Thread[] threads=new Thread[urlsList.size()];

             int n=0;

             for(String url:urlsList){

                 String path=Crawler.SAVE+url.substring(url.lastIndexOf("/"), url.length());

                 url=url.substring(0, url.lastIndexOf("/"))+"/"+URLEncoder.encode(url.substring(url.lastIndexOf("/")+1,url.length()),"UTF-8");

                 HttpGet httpGet=new HttpGet(url);

                 threads[n]=new Thread(new Downloader(httpClient,httpGet,url,path));

                 n++;

             }

             for(Thread thread:threads)thread.start();

             for(Thread thread:threads)if(thread.isAlive())thread.join();

             }catch (InterruptedException e) {

                 System.out.println("[ERROR] Download InterruptedException : "+e.toString());

                 //e.printStackTrace();

             } catch (ParserException e) {

             System.out.println("[ERROR] Parse ParserException : "+e.toString());

             //e.printStackTrace();

         }catch (ClientProtocolException e) {

             System.out.println("[ERROR] Crawl ClientProtocolException : "+e.toString());

             //e.printStackTrace();

         } catch (IOException e) {

             System.out.println("[ERROR] Crawl IOException : "+e.toString());

             //e.printStackTrace();

         }

     }

     public static void main(String[] args) {

         //入口程序

         Crawler crawler=new Crawler("http://www3.tjcu.edu.cn/wangshangketang/yuanneike/guanlixue/sjxz.htm");//这里设定网页地址

         Thread thread=new Thread(crawler);

         thread.start();

 

     }

 

 }

 

 //类Downloader真正的执行了写入网络数据到文件的步骤

 class Downloader implements Runnable{

     private String url="";

     private String path="";

     private final HttpClient httpClient;

     private final HttpContext httpContext;

     private final HttpGet httpGet;

     /**

      * 

      * @param httpClient 多个线程共享的HtppClient

      * @param httpGet 要下载的HttpGet

      * @param url 资源网络地址

      * @param path 资源下载之后本地的保存路径

 */

     public Downloader(HttpClient httpClient,HttpGet httpGet,String url,String path){

         this.httpClient=httpClient;

         this.httpGet=httpGet;

         this.httpContext=new BasicHttpContext();

         this.path=path;

         this.url=url;

 

     }

 

     public void run() {

         System.out.println("[INFO] Download From : "+this.url);

         File file=new File(this.path);

         if(file.exists())file.delete();

         try {

             //使用file来写入本地数据

             file.createNewFile();

             FileOutputStream outStream = new FileOutputStream(this.path);

 

             //执行请求,获得响应

             HttpResponse httpResponse = this.httpClient.execute(this.httpGet,this.httpContext);

 

             System.out.println("[STATUS] Download : "+httpResponse.getStatusLine()+" [FROM] "+this.path);

 

             HttpEntity httpEntity=httpResponse.getEntity();

             InputStream inStream=httpEntity.getContent();

             while(true){//这个循环读取网络数据,写入本地文件

                 byte[] bytes=new byte[1024*1000];

                 int k=inStream.read(bytes);

                 if(k>=0){

                     outStream.write(bytes,0,k);

                     outStream.flush();

                 }

                 else break;

             }

             inStream.close();

             outStream.close();

         } catch (IOException e){

             this.httpGet.abort();

             System.out.println("[ERROR] Download IOException : "+e.toString()+" [FROM] : "+this.path);

             //e.printStackTrace();

         }

     }

 

 }

相关标签: java client pdf