HttpClient（二）HttpClient使用Ip代理與處理連接超時

前言

　　其實前面寫的那一點點東西都是輕輕點水，其實HttpClient還有很多強大的功能：

　　（1）實現了所有 HTTP 的方法（GET,POST,PUT,HEAD 等）

　　（2）支持自動轉向

　　（3）支持 HTTPS 協議

　　（4）支持代理 服務器等

一、HttpClient使用代理IP

1.1、前言

　　在爬取網頁的時候，有的目標站點有反爬蟲機制，對於頻繁訪問站點以及規則性訪問站點的行為，會采集屏蔽IP措施。
　　這時候，代理IP就派上用場了。可以使用代理IP，屏蔽一個就換一個IP。
　　關於代理IP的話 也分幾種 透明代理、匿名代理、混淆代理、高匿代理，一般使用高匿代理。　　　　

1.2、幾種代理IP

　　1）透明代理（Transparent Proxy）

　　　　REMOTE_ADDR = Proxy IP
　　　　HTTP_VIA = Proxy IP
　　　　HTTP_X_FORWARDED_FOR = Your IP
　　　　透明代理雖然可以直接“隱藏”你的IP地址，但是還是可以從HTTP_X_FORWARDED_FOR來查到你是誰。

　　2）匿名代理(Anonymous Proxy)

　　　　REMOTE_ADDR = proxy IP
　　　　HTTP_VIA = proxy IP
　　　　HTTP_X_FORWARDED_FOR = proxy IP
　　　　匿名代理比透明代理進步了一點：別人只能知道你用了代理，無法知道你是誰。
　　　　還有一種比純匿名代理更先進一點的：混淆代理

　　3）混淆代理(Distorting Proxies)

　　　　REMOTE_ADDR = Proxy IP
　　　　HTTP_VIA = Proxy IP
　　　　HTTP_X_FORWARDED_FOR = Random IP address
　　　　如上，與匿名代理相同，如果使用了混淆代理，別人還是能知道你在用代理，但是會得到一個假的IP地址，偽裝的更逼真。

　　4）高匿代理(Elite proxy或High Anonymity Proxy)

　　　　REMOTE_ADDR = Proxy IP
　　　　HTTP_VIA = not determined
　　　　HTTP_X_FORWARDED_FOR = not determined
　　　　可以看出來，高匿代理讓別人根本無法發現你是在用代理，所以是最好的選擇。
　　　　一般我們搞爬蟲 用的都是 高匿的代理IP；
　　　　那代理IP 從哪里搞呢 很簡單 百度一下，你就知道 一大堆代理IP站點。 一般都會給出一些免費的，但是花點錢搞收費接口更加方便。

1.3、實例來使用代理Ip

　　使用 RequestConfig.custom().setProxy(proxy).build() 來設置代理IP　　

package com.jxlg.study.httpclient;

import com.sun.org.apache.regexp.internal.RE;
import org.apache.http.HttpEntity;
import org.apache.http.HttpHost;
import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;

import java.io.IOException;

public class UseProxy {
    public static void main(String[] args) throws IOException {
        //創建httpClient實例
        CloseableHttpClient httpClient = HttpClients.createDefault();
        //創建httpGet實例
        HttpGet httpGet = new HttpGet("http://www.tuicool.com");
        //設置代理IP，設置連接超時時間 、 設置 請求讀取數據的超時時間 、 設置從connect Manager獲取Connection超時時間、
        HttpHost proxy = new HttpHost("58.60.255.82",8118);
        RequestConfig requestConfig = RequestConfig.custom()
                .setProxy(proxy)
                .setConnectTimeout(10000)
                .setSocketTimeout(10000)
                .setConnectionRequestTimeout(3000)
                .build();
        httpGet.setConfig(requestConfig);
        //設置請求頭消息
        httpGet.setHeader("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36");
        CloseableHttpResponse response = httpClient.execute(httpGet);

        if (response != null){
            HttpEntity entity = response.getEntity();  //獲取返回實體
            if (entity != null){
                System.out.println("網頁內容為:"+ EntityUtils.toString(entity,"utf-8"));
            }
        }
        if (response != null){
            response.close();
        }
        if (httpClient != null){
            httpClient.close();
        }
    }
}

 

1.4、實際開發中怎么去獲取代理ip

　　我們可以使用HttpClient來 爬取 http://www.xicidaili.com/ 上最新的20條的高匿代理IP，來保存到 鏈表中，當一個IP被屏蔽之后獲取連接超時時，

　　就接着取出 鏈表中的一個IP，以此類推，可以判斷當鏈表中的數量小於5的時候，就重新爬取 代理IP 來保存到鏈表中。

1.5、HttpClient連接超時及讀取超時

　　httpClient在執行具體http請求時候 有一個連接的時間和讀取內容的時間；

　　1)HttpClient連接時間

　　　　所謂連接的時候 是HttpClient發送請求的地方開始到連接上目標url主機地址的時間，理論上是距離越短越快，

　　　　線路越通暢越快，但是由於路由復雜交錯，往往連接上的時間都不固定，運氣不好連不上，HttpClient的默認連接時間，據我測試，

　　　　默認是1分鍾，假如超過1分鍾 過一會繼續嘗試連接，這樣會有一個問題 假如遇到一個url老是連不上，會影響其他線程的線程進去，說難聽點，

　　　　就是蹲着茅坑不拉屎。所以我們有必要進行特殊設置，比如設置10秒鍾 假如10秒鍾沒有連接上 我們就報錯，這樣我們就可以進行業務上的處理，

　　　　比如我們業務上控制 過會再連接試試看。並且這個特殊url寫到log4j日志里去。方便管理員查看。

　　2）HttpClient讀取時間

　　　　所謂讀取的時間 是HttpClient已經連接到了目標服務器，然后進行內容數據的獲取，一般情況 讀取數據都是很快速的，

　　　　但是假如讀取的數據量大，或者是目標服務器本身的問題（比如讀取數據庫速度慢，並發量大等等..）也會影響讀取時間。

　　　　同上，我們還是需要來特殊設置下，比如設置10秒鍾 假如10秒鍾還沒讀取完，就報錯，同上，我們可以業務上處理。　　　　　

　　比如我們這里給個地址 http://central.maven.org/maven2/，這個是國外地址 連接時間比較長的，而且讀取的內容多 。很容易出現連接超時和讀取超時。　　

　　我們如何用代碼實現呢？

　　HttpClient給我們提供了一個RequestConfig類 專門用於配置參數比如連接時間，讀取時間以及前面講解的代理IP等。

　　例子：

package com.jxlg.study.httpclient;

import org.apache.http.HttpEntity;
import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;

import java.io.IOException;

public class TimeSetting {
    public static void main(String[] args) throws IOException {
        CloseableHttpClient httpClient = HttpClients.createDefault();
        HttpGet httpGet = new HttpGet("http://central.maven.org/maven2/");
        RequestConfig config = RequestConfig.custom()
                .setConnectTimeout(5000)
                .setSocketTimeout(5000)
                .build();
        httpGet.setConfig(config);
        httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36");
        CloseableHttpResponse response = httpClient.execute(httpGet);
        if (response != null){
            HttpEntity entity = response.getEntity();
            System.out.println("網頁內容為:"+ EntityUtils.toString(entity,"UTF-8"));
        }
        if (response != null){
            response.close();
        }
        if (httpClient != null){
            httpClient.close();
        }
    }
}