Java爬虫 (五) -- httpClient进阶：使用代理（
一、前言
好久没有写博客，趁着难得的空闲时间更新一波。前面几期讲到的主要包括了爬虫开发中的页面获取、页面解析两个方面的知识，套用二八原则，可以解决80%的工作。但是其他的20%的工作，就可能要用到我们80%的时间和精力去研究。这个就是我接下去几期要讲的。这期主要是讲一些实际场景下可能需要用到的httpClient设置，大都是我在实际开发中需要用到的，都算是一些小知识点，但是还是希望能能够记录总结一下。
接下去的博文都会标注写文章时参考的资料，以便参考。(感觉跟写论文一样，2333~)
二、代理
代理是爬虫技术中很重要的一项。因为有一些网站会有相应的安全策略。例如检测一段时间内，某个IP地址的访问次数，如果访问频率过高，说明你不是正常访客，然后禁止你这个IP的访问。
应对这种机制有两种手段：
- 放慢抓取速度，减小对目标网站的访问压力
- 设置代理IP，实现高频率抓取，但是这需要多个稳定的代理IP。
代理ip资源可以自己去写爬虫去爬代理网站，去验证可用性，当然这种方式不稳定，而且可用的ip资源并不是很多。你也可以搭建自己的代理服务器。还有些爬虫每天的抓取任务可能需要消耗10多万的ip资源，这个时候一般是需要使用一些商业的代理ip商的服务了。
当然在本文中，不会涉及如何搭建代理服务器和如何获取ip资源。主要介绍如何在httpClient中配置ip。如果以后有机会涉及到，再写文章吧。
三、实战
由于httpClient十分灵活，设置代理也有很多种方式。
3.1 设置httpClient
- 最简单的一种：
// proxyHost -- 代理ip; proxyPort -- 端口号
HttpHost proxy = new HttpHost("proxyHost", proxyPort, "HTTP");
CloseableHttpClient httpclient = HttpClients.createDefault();
HttpGet get = new HttpGet(url);
CloseableHttpResponse response = httpclient.execute(proxy, get);
这种方式要注意一点：new HttpHost()是支持指定协议类型的，但是httpClient不默认支持socks协议，所以如果我们把上面代码中的协议改成new HttpHost("proxyHost", proxyPort, "SOCKS")，会报错。
> org.apache.http.conn.UnsupportedSchemeException: socks protocol is not supported
还有两种方法是官方文档上推荐的：
-
使用
RequestConfig类:
CloseableHttpClient httpclient = HttpClients.createDefault();
HttpGet request = new HttpGet(url);
request.setConfig(
RequestConfig.custom()
.setProxy(new HttpHost("proxyHost", proxyPort, "HTTP"))
.build()
);
CloseableHttpResponse response = httpclient.execute(request);
- 使用
RoutePlanner类
// 1. 设置默认参数的方法
HttpHost proxy = new HttpHost("proxyHost"proxyPort);
DefaultProxyRoutePlanner routePlanner = new DefaultProxyRoutePlanner(proxy);
CloseableHttpClient httpclient = HttpClients.custom().
setRoutePlanner(routePlanner)
.build();
// 2. 使用标准的JRE代理选择器，即使用系统代理
SystemDefaultRoutePlanner routePlanner = new SystemDefaultRoutePlanner(
ProxySelector.getDefault());
CloseableHttpClient httpclient = HttpClients.custom()
.setRoutePlanner(routePlanner)
.build();
3.2 RoutePlanner类
这个类单独拿出来讲一下。在httpClient的请求执行过程中，HttpRoute首先出现在请求执行链的入口处，在进入请求执行链之前，使用routePlanner来根据目标主机、请求和请求上下文来计算出HttpRoute. 下列代码摘自InternalHttpClient类源码片段：
@Override
protected CloseableHttpResponse doExecute(
final HttpHost target,
final HttpRequest request,
final HttpContext context) throws IOException, ClientProtocolException {
...
<strong>final HttpRoute route = determineRoute(target, wrapper, localcontext);</strong>
// 开始调用请求执行链
return this.execChain.execute(<strong>route</strong>, wrapper, localcontext, execAware);
...
}
private HttpRoute determineRoute(
final HttpHost target,
final HttpRequest request,
final HttpContext context) throws HttpException {
HttpHost host = target;
if (host == null) {
host = (HttpHost) request.getParams().getParameter(ClientPNames.DEFAULT_HOST);
}
<strong>return this.routePlanner.determineRoute(host, request, context);</strong>
}
HttpClient默认计算HttpRoute的算法大致为：
- 如果在请求上下文context里能找到代理，直接用来创建HttpRoute对象；
- 如果没有设置代理，并且没有使用系统属性，用
DefaultRoutePlanner，计算出的HttpRoute的proxyChain为null； - 如果设置了代理，用
DefaultProxyRoutePlanner，计算出的HttpRoute的proxyChain里只有一个，就是设置的代理； - 如果没有设置代理，但使用系统数据，用
SystemDefaultRoutePlanner，它使用JDK的ProxySelector，从JVM配置和系统配置里获取代理链，再从代理链里寻找第一个HTTP类型的代理，来创建HttpRoute对象。如果没有找到HTTP类型的代理，计算出的HttpRoute的proxyChain为null.
对应到上面我们的代理配置的几种方法可以分为两种，1.给httpClient配置代理；2.配置系统代理。
3.3 设置系统代理
实战中最后一种方法就是使用系统代理的方法。那么怎么设置系统代理呢？
这里说的系统代理配置指的 JVM 系统，而不是操作系统。
3.3.1 Java System类
可以通过下面的方式来分别设置 HTTP 代理，HTTPS 代理和 SOCKS 代理：
// HTTP 代理，只能代理 HTTP 请求
System.setProperty("http.proxyHost", "127.0.0.1");
System.setProperty("http.proxyPort", "9876");
// HTTPS 代理，只能代理 HTTPS 请求
System.setProperty("https.proxyHost", "127.0.0.1");
System.setProperty("https.proxyPort", "9876");
// 同时支持代理 HTTP/HTTPS 请求
System.setProperty("proxyHost", "127.0.0.1");
System.setProperty("proxyPort", "9876");
// SOCKS 代理，支持 HTTP 和 HTTPS 请求
// 注意：如果设置了 SOCKS 代理就不要设 HTTP/HTTPS 代理
System.setProperty("socksProxyHost", "127.0.0.1");
System.setProperty("socksProxyPort", "1080");
3.3.2 JVM 命令行参数
在IDE项目启动设置中设置JVM 参数。
如果idea的话如下：
image
