一什么是Http协议
????????HTTP就是目前使用最广泛的Web应用程序使用的基础协议，例如，浏览器访问网站，?手机App访问后台服务器，都是通过HTTP?协议实现的。HTTP?是HyperText?Transfer?Protocol的缩写，翻译为超文本传输协议，它是基于TCP协议之上的一种请求-响应协议。
????????当浏览器希望访问某个网站时，浏览器和网站服务器之间首先建立TCP连接，且服务器总是使用80端口和加密端口443?，然后，浏览器向服?务器发送一个HTTP请求，服务器收到后，返回一一个HTTP响应，并且在响应中包含了HTML?的网页内容，浏览器解析HTML后就可以给用户显示网页了。一个完整的HTTP?请求响应如下:
GET / HTTP/1.1
Host: www.sina.com.cn
User-Agent: Mozilla/5 MSIE
Accept: */* ┌────────┐
┌─────────┐ Accept-Language: zh-CN,en │????????│
│O ???????│───────────────────────────>├────────┤
├─────────┤<───────────────────────────│????????│
│ │ HTTP/1.1 200 OK ├────────┤
│ │ Content-Type: text/html │????????│
└─────────┘ Content-Length: 133251 └────────┘
Browser <!DOCTYPE html> Server
<html><body>
<h1>Hello</h1>
...
HTTP请求的格式是固定的，它由HTTP?Header和HTTP?Body?两部分构成。第一行总是请求方法?路径HTTP版本:例如，GET?/?HTTP/1.1表示使用GET请求，路径是/，版本是HTTP/1.1
后续的每一行都是固定的Header:?Value格式，我们称为HTTP?Header?，服务器依靠某些特定的Header来识别客户端请求，例如:
Host?:表示请求的域名，因为一台服务器上可能有多个网站，因此有必要依靠Host?来识别请求是发日给哪个网站的。
User-Agent?:表示客户端自身标识信息，不同的浏览器有不同的标识，服务器依靠User-Agent?判?断客户端类型是IE还是Chrome，是Firefox还是一个Python?爬虫;
Accept?:表示客户端能处理的HTTP响应格式，*/*?表示任意格式，text/*?表示任意文本，image/png表示PNG格式的图片;
Accept-Language?:表示客户端接收的语言，多种语言按优先级排序，服务器依靠该字段给用户返回特定语言的网页版本。
注意：
如果是GET?请求，那么该HTTP请求只有HTTP?Header,没有?HTTP?Body?。如果是POST请求，那么该请求，那就带有HTTP?Body。
HTTP响应也是由Header和Body组成的。
HTTP/1.1 200 OK
Content-Type: text/html
Content-Length: 133251
<!DOCTYPE html>
<html><body>
<h1>Hello</h1>
...
下面使用java模拟对服务器的请求以及服务器的响应
//模拟服务器使用TCP连接处理客户端的HTTP请求
try (ServerSocket server = new ServerSocket(8080)) {
while(true) {
//获取客户端浏览器连接
Socket browserClient = server.accept();
// //读取客户端请求(request)
// BufferedReader reader = new BufferedReader(new InputStreamReader(browserClient.getInputStream()));
// String line = null;
//
// while((line = reader.readLine()) != null) {
// System.out.println(line);
// }
//模拟服务器的响应(response)
try(BufferedWriter writer = new BufferedWriter(new OutputStreamWriter(browserClient.getOutputStream()));) {
//响应头
writer.write("HTTP/1.1 200 OK");
writer.newLine();
writer.newLine();
//响应内容
writer.write(UUID.randomUUID().toString());
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
} catch (IOException e) {
e.printStackTrace();
}
}
二、HTTP编程之利用网络爬虫读取数据
1.利用爬虫读取单张图片
我们模拟爬出读取数据时，需要使用统一资源定位符URL，然后使用openConnection()，来打开连接，打开连接需要模拟用户来访问服务器，不能让服务器端发现我们是爬虫来读取数据，因此我们在请求的时候需要设置请求头的属性，之后使用“流”来读取图片，并保存在本地。
由于读取的是单张照片，读写操作时，直接使用字节流进行读取
示例代码：
try {
//统一资源定位符
URL url = new URL("https://img1.doubanio.com/view/photo/s_ratio_poster/public/p2874262709.webp");
//打开连接
HttpsURLConnection connection = (HttpsURLConnection)url.openConnection();
//设置请求方式(GET)
connection.setRequestMethod("GET");
//设置请求Header属性
connection.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36 Edg/103.0.1264.62");
try(
//读取图片
BufferedInputStream bis = new BufferedInputStream(connection.getInputStream());
//存储图片(写入输出图片的字节内容)
BufferedOutputStream bos = new BufferedOutputStream(new FileOutputStream("d:\\test\\img\\" + System.currentTimeMillis() + ".webp"));){
int len = -1;
//边读边写
byte[] buff = new byte[1024];
while((len = bis.read(buff)) != -1) {
bos.write(buff, 0, len);
}
}
} catch (MalformedURLException e) {
e.printStackTrace();
} catch (ProtocolException e) {
e.printStackTrace();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
2.利用爬虫读取网页全部图片
步骤与读取单张图片的步骤大致相似，不同的是URL就是当前网页的网址，进行读取时，使用的是字符流进行读取当前网页的HTML源码，通过纯字符串形式进行去除，然后只留下与图片相关的HTML标签，进行读取以及保存到本地。
示例代码：
try {
//统一资源定位符
URL movieHomeURL = new URL("https://movie.douban.com/");
//打开连接
HttpsURLConnection connection = (HttpsURLConnection)movieHomeURL.openConnection();
//设置请求方式(GET)
connection.setRequestMethod("GET");
//设置请求Header属性
connection.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36 Edg/103.0.1264.62");
//读取网站源码
BufferedReader reader = new BufferedReader(new InputStreamReader(connection.getInputStream(),StandardCharsets.UTF_8));
String line = null;
while((line = reader.readLine()) != null) {
//去除空格
line = line.trim();
//判断当前行是否包含海报图片路径
if(line.contains("https://img") && line.contains(".jpg") && line.startsWith("<img")) {
//提取图片的路径src和电影名称alt
//System.out.println(line);
int beginIndex =line.indexOf("https://");
int endIndex = line.indexOf(".jpg") + 4;
String src = line.substring(beginIndex, endIndex);
beginIndex = line.indexOf("alt=") + 5;
endIndex = line.indexOf("\"",beginIndex);
String alt = line.substring(beginIndex, endIndex);
//读取图片
URL imageUrL = new URL(src);
HttpsURLConnection imageConnection = (HttpsURLConnection)imageUrL.openConnection();
try(BufferedInputStream in = new BufferedInputStream(imageConnection.getInputStream());
BufferedOutputStream out = new BufferedOutputStream(new FileOutputStream("d:\\test\\img\\" + alt + ".jpg"));){
//边读边写
int len = -1;
byte[] buff = new byte[1024];
while((len = in.read(buff)) != -1) {
out.write(buff, 0, len);
}
}
}
}
} catch (MalformedURLException e) {
e.printStackTrace();
} catch (ProtocolException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
使用纯字符串进行截取图片的html标签不太方便，这是我们就使用jsoup解析html。这是我们就需要手动导入jar包。
// 使用jsoup解析html
// JSOUP类：进行原始解析
// Document类：网页文档(包含解析到的所有标签
// Elements类：若干元素Element形成的集合(继承自ArrayList)
// Element类：某一个html元素
String src = "", alt="";
// 解析成Document对象
Document doc = Jsoup.parse(line);
// 从Document中获取名称为img的所有标签元素(Elements)
// 从所有代表img的Elements元素集合中获取第一个
Element imgElement = doc.getElementsByTag("img").get(0);
// 获取img标签元素src属性和alt属性
src = imgElement.attr("src");
alt = imgElement.attr("alt");
URL imageUrL = new URL(src);
HttpsURLConnection imageConnection = (HttpsURLConnection)imageUrL.openConnection();
|