最新在学习使用 Java 来写网络爬虫，模拟浏览器发送 HTTP 请求，并抓取返回页面中的信息。由于对 Java 刚接触，以前用 .Net 写的一些网络请求相关的工具类都派不上用场，于是对如何使用 Java 模拟 HTTP 请求潜心研究了一番，在此写下这个《Java 和 HTTP 的那些事》系列的博客，并记录一些我中途遇到了明坑和暗坑，供后来人参考。此为第一篇。
Java 自带的 java.net 这个包中包含了很多与网络请求相关的类，但是对于我们来说，最关心的应该是 HttpURLConnection 这个类了。
要得到一个 HttpURLConnection HTTP 连接对象，首先需要一个 URL，代码如下：
1 2 URL obj = new URL(url); HttpURLConnection con = (HttpURLConnection) obj.openConnection();得到 HTTP 连接对象之后，我们就可以进行 HTTP 操作了，我们可以添加任意的 HTTP 请求头，然后执行我们需要的 GET 或者 POST 请求。我们像下面这样，添加两个 HTTP 头（User-Agent 和 Accept-Language）：
1 2 con.setRequestProperty( "User-Agent" , "Mozilla/5.0 (Windows NT 6.1; WOW64) ..." ); con.setRequestProperty( "Accept-Language" , "en-US,en;q=0.5" );对于有些爬虫来说，这个设置是必要的，譬如有很多网站会对请求头中的 Referer 进行检查，以此来防爬或者防盗链。又譬如有些网站还会对 User-Agent 进行检查，根据这个字段来过滤一些非浏览器的请求。如果请求头设置不对的话，很可能是爬不下正确的数据的。
HTTP 协议中定义了很多种 HTTP 请求方法：GET、POST、PUT、DELETE、OPTIONS 等等，其中最常用到的就是 GET 和 POST，因为在浏览器中大多都是使用这两种请求方法。
使用 HttpURLConnection 来发送 GET 请求是非常简单的，通过上面的代码创建并初始化好一个 HTTP 连接之后，就可以直接来发送 GET 请求了。
1 2 3 con.setRequestMethod( "GET" ); int responseCode = con.getResponseCode(); String responseBody = readResponseBody(con.getInputStream());可以看到，代码非常简洁，没有任何累赘的代码，甚至没有任何和发送请求相关的代码，请求就是在 getResponseCode() 函数中默默的执行了。其中 readResponseBody() 函数用于读取流并转换为字符串，具体的实现如下：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 // 读取输入流中的数据 private String readResponseBody(InputStream inputStream) throws IOException { BufferedReader in = new BufferedReader( new InputStreamReader(inputStream)); String inputLine; StringBuffer response = new StringBuffer(); while ((inputLine = in.readLine()) != null ) { response.append(inputLine); } in.close(); return response.toString(); }使用 HttpURLConnection 来模拟 POST 请求和 GET 请求基本上是一样的，但是有一点不同，由于 POST 请求一般都会向服务端发送一段数据，所以 HttpURLConnection 提供了一个方法 setDoOutput(true) 来表示有数据要输出给服务端，并可以通过 getOutputStream() 得到输出流，我们将要写的数据通过这个输出流 POST 到服务端。
1 2 3 4 5 6 con.setRequestMethod( "POST" ); con.setDoOutput( true ); DataOutputStream wr = new DataOutputStream(con.getOutputStream()); wr.writeBytes(parameter); wr.flush(); wr.close();POST 完成之后，和 GET 请求一样，我们通过 getInputStream() 函数来读取服务端返回的数据。
使用 Java 自带的 HttpURLConnection 类完全可以满足我们的一些日常需求，不过对于网络爬虫这种高度依赖于 HTTP 工具类的程序来说，它在有些方面还是显得略为不足（我们之后会讨论到），我们需要一种扩展性定制性更强的类。Apache 的 HttpClient 就是首选。
HttpClient 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。它相比传统的 HttpURLConnection，增加了易用性和灵活性，它不仅让客户端发送 HTTP 请求变得更容易，而且也方便了开发人员测试接口（基于 HTTP 协议的），即提高了开发的效率，也方便提高代码的健壮性。
好了，关于 HttpClient 介绍的大话空话套话结束，让我们来看一段使用 HttpClient 来模拟 HTTP GET 请求的代码片段：
1 2 3 4 5 6 CloseableHttpClient httpclient = HttpClients.createDefault(); HttpGet request = new HttpGet(url); request.setHeader( "User-Agent" , "Mozilla/5.0 (Windows NT 6.1; WOW64) ..." ); CloseableHttpResponse response = httpclient.execute(request); // read response上面的示例代码展示了如何使用 HttpClient 来模拟 HTTP GET 请求，可以看出 HttpClient 对每一种 HTTP 方法都准备了一个类，GET 请求使用 HttpGet 类，POST 请求使用 HttpPost 类。
和上文中介绍的一样，在发送 POST 请求时，需要向服务端写入一段数据，我们这里使用 setEntity() 函数来写入数据：
1 2 3 4 5 String parameter = "key=value" ; HttpPost request = new HttpPost(url); request.setEntity( new StringEntity(parameter, ContentType.create( "application/x-www-form-urlencoded" )) );Entity 是 HttpClient 中的一个特别的概念，有着各种的 Entity ，都实现自 HttpEntity 接口，输入是一个 Entity，输出也是一个 Entity 。要注意的是，在这里我采用一种取巧的方式，直接使用 StringEntity 来写入 POST 数据，然后将 Content-type 改成 application/x-www-form-urlencoded ，这样就和浏览器里的表单提交请求一致了。但是我们要知道的是，一般情况下，我们可能还会使用UrlEncodedFormEntity 这个类，只是在写爬虫的时候比较繁琐，使用起来像下面这样：
1 2 3 List<NameValuePair> nvps = new ArrayList <NameValuePair>(); nvps.add( new BasicNameValuePair( "key" , "value" )); request.setEntity( new UrlEncodedFormEntity(nvps, HTTP.UTF_8)) ;正如上文所说，HttpClient 的输入是一个 Entity，输出也是一个 Entity 。这和 HttpURLConnection 的流有些不同，但是基本理念是相通的。对于 Entity ，HttpClient 提供给我们一个工具类 EntityUtils，使用它可以很方便的将其转换为字符串。
1 2 CloseableHttpResponse response = httpclient.execute(request); String responseBody = EntityUtils.toString(response.getEntity());上面说到了 HttpClient 中的 HttpEntity 这个接口，这个接口在使用 HttpClient 的时候相当重要，这里对其略做补充。
大多数的 HTTP 请求和响应都会包含两个部分：头和体，譬如请求头请求体，响应头响应体， Entity 也就是这里的 “体” 部分，这里暂且称之为 “实体” 。一般情况下，请求包含实体的有 POST 和 PUT 方法，而绝大多数的响应都是包含实体的，除了 HEAD 请求的响应，还有 204 No Content、304 Not Modified 和 205 Reset Content 这些不包含实体。
HttpClient 将实体分为三种类型：
流类型（streamed）：实体内容从流中读取的，通常只能读一次自包含类型（self-contained）：手工创建的，通常可重复读取包装类型（wrapping）：使用一种实体包装另一种实体上面的例子中我们直接使用工具方法 EntityUtils.toString() 将一个 HttpEntity 转换为字符串，虽然使用起来非常方便，但是要特别注意的是这其实是不安全的做法，要确保返回内容的长度不能太长，如果太长的话，还是建议使用流的方式来读取：
1 2 3 4 5 6 7 8 9 10 11 12 CloseableHttpResponse response = httpclient.execute(request); HttpEntity entity = response.getEntity(); if(entity != null) { longlength = entity.getContentLength(); if(length != -1&& length < 2048) { String responseBody = EntityUtils.toString(entity); } else{ InputStream in = entity.getContent(); // read from the input stream ... } }到这里为止，我们一直忽略了 HTTP 请求和 HTTPS 请求之间的差异，因为大多数情况下，我们确实不需要关心 URL 是 HTTP 的还是 HTTPS 的，上面给出的代码也都能很好的自动处理这两种不同类型的请求。
但是，我们还是应该注意下这两种请求的差异，后面我们在介绍 HTTP 代理时将会特别看到这两者之间的差异。另外还有一点，在调用URL 的 openConnection() 方法时，如果 URL 是 HTTP 协议的，返回的是一个 HttpURLConnection 对象，而如果 URL 是 HTTPS 协议的，返回的将是一个 HttpsURLConnection 对象。
