使用HttpClient实现数据抓取

    HttpClient可以通过模拟请求获取响应的方式实现数据抓取，相较于HtmlUnit模拟页面点击的抓取方式，这种通过模拟请求的方式更加高效，可以有针对性实现一个请求来获取响应数据，避免了页面大连不必要的请求和响应。但同时，这个特点也使得他不能执行嵌入在HTML页面中的javascript代码，猜测内容类型，重新格式化请求/重定向URI，或者其它和HTTP运输无关的功能，只是单纯的获得响应报文。

    //[1]声明HttpClient
    CloseableHttpClient client = HttpClients.createDefault();
    //[2]增加post访问地址，如果是get请求，使用HttpGet
    String url="";
    HttpPost httpPost=new HttpPost(url);
    
    //[3]普通传参
    List<NameValuePair> param = new ArrayList();
    param.add(new BasicNameValuePair("key", "value"));
    //[4]请求参数拼接
    httpPost.setEntity(new UrlEncodedFormEntity(param, "GBK"));
        
    //[3]组装json传参数
    JSONObject jsonParam = new JSONObject();  
    jsonParam.put("key", value);
    //[4]请求响应实体类，设置编码并加入json
    StringEntity entity = new StringEntity(jsonParam.toString(),"utf-8");
    entity.setContentType("application/json");
    httpPost.setEntity(entity);
    
    //[5]设置请求头信息
    httpPost.setHeader("POST", "");
    
    //使用代理
    HttpHost proxy = new HttpHost(ip,port,"http");
    RequestConfig config = RequestConfig.custom().setProxy(proxy).setConnectionRequestTimeout(2000).build();
    httpPost.setConfig(config);
    
    //[6]发送请求并获取响应
    CloseableHttpResponse response = client.execute(httpPost);
    //[7]获取响应实体
    HttpEntity httpEntity=response.getEntity();
    //[8]解析响应实体中的数据为字符串
    String result = EntityUtils.toString(httpEntity, "gb2312");
    //解析json串
    Document document=Jsoup.parseBodyFragment(result.toString);
    JSONObject jsonObject=new JSONObject(document.text());
    JSONArray jsonArray=new JSONArray(jsonObject.get("datas"));
    for(int i=0;i<jsonArray.length();i++){
        JSONObject jsonObject1=jsonArray.getJSONObject(i);
    }
    //[9]销毁实体
    EntityUtils.consume(entity);
    EntityUtils.consume(httpEntity);
    //[10]释放连接
    httpPost.releaseConnection();
    client.close();
    response.close();

使用代理服务器时，如果需要判断代理服务是否可用，可以使用telnet，java实现如下

    private TelnetClient telnet;
    private String serverIP;
    private int serverPort;
    private String termtype;
 
    /**
     * 终端类型的选定可以解决部分乱码问题
     */
    public static String WINDOWS = "VT220";
    public static String UNIX = "VT100";
    public static String LINUX = "VT100";
    
    public TelnetTest(String server, String termtype,int serverPort) {
        this.serverIP=server;
        this.termtype=termtype;
        this.serverPort=serverPort;
    }
    public boolean test(){
        boolean flag=false;
        try {
            if (termtype != null &&!termtype.trim().equals("")) {
                telnet = new TelnetClient(termtype);
            }
 
            telnet.setConnectTimeout(6 * 1000);// 连接超时6秒钟
            telnet.connect(serverIP, serverPort);
            telnet.setSoTimeout(4 * 1000);// 阻塞4秒
            flag=true;
 
        } catch (Exception e) {
            e.printStackTrace();
        }finally{
            try {
                telnet.disconnect();
            } catch (IOException e) {
                // TODO Auto-generated catch block
                e.printStackTrace();
            }
        }
        return flag;
    }

相关博文：使用HtmlUnit实现数据抓取 http://zuohao1990.blog.51cto.com/6057850/1726548