Question

我目前正在使用java进行网络抓取工作。我通过设置tcp连接和使用printerwriter手动发送GET请求。

我能够连接到大多数网站，例如yahoo.com或cracked.com并收到回复，但我无法连接到我的目标网站 - vinylengine.com。它总会返回302错误。

我已经将我的发送请求与我的浏览器进行了比较，它们几乎相同。

我的标题：

GET / HTTP/1.1
Host: www.vinylengine.com

我的回复：

HTTP/1.1 302 Found
Date: Thu, 06 Jun 2013 19:27:00 GMT
Server: Apache
Location: http://www.nakedresource.com/
Cache-Control: max-age=1209600
Expires: Thu, 20 Jun 2013 19:27:00 GMT
Content-Length: 213
Content-Type: text/html; charset=iso-8859-1

<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML 2.0//EN">
<html><head>
<title>302 Found</title>
</head><body>
<h1>Found</h1>
<p>The document has moved <a href="http://www.nakedresource.com/">here</a>.</p>
</body></html>

浏览器标题：

GET http://www.vinylengine.com/ HTTP/1.1
Host: www.vinylengine.com
User-Agent: Mozilla/5.0 (Windows NT 6.2; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
Accept-Language: en-US,en;q=0.5
Accept-Encoding: gzip, deflate
Cookie: __utma=72407316.18415374.1370488314.1370497873.1370543389.3; __utmz=72407316.1370488314.1.1.utmccn=(direct)|utmcsr=(direct)|utmcmd=(none); SESSaf8d12283bdbdc5f5bbfb2aef054db6d=1f0676e5cab0ba2c5a80e76ea0bd6f75; __utmc=72407316; has_js=1; __utmb=72407316
Connection: keep-alive
If-Modified-Since: Thu, 06 Jun 2013 18:02:53 GMT
If-None-Match: "2186d59ac297e0f1a43433fa61e8a94b"

代码：

public void sendRequest(String extensionString, String urlString)
{  
    try 
    {
        //BufferedReader inFromServer;
        //PrintWriter outToServer;
        //These 2 are initalized elsewhere

        outToServer.println("GET " + extensionString + " HTTP/1.1");
        outToServer.println("Host: " + urlString);

        outToServer.println("");
        outToServer.flush();

        String temp;
        while((temp=inFromServer.readLine()) != null) 
        {
            System.out.println(temp);
        }

        return;
    } 
    catch (Exception e) 
    {
        System.out.printf("sendRequest failed: %s",e);
        return;
    }
}

我尝试将主机名更改为nakedresource.com，但是当我这样做时，我获得了nakedresource.com的页面源，而不是vinylengine.com

Answer 1

有问题的网站正在查看您的用户代理字符串（或者在您的情况下缺少用户代理字符串）。

当你说你正在做与浏览器“几乎相同的事情”时......你是对的。计算机对这类事情有点挑剔。

如果您没有提供User-Agent:标题，则会获得重定向。

＆GT; telnet www.vinylengine.com 80
  尝试67.225.154.112 ...
  连接到vinylengine.com。
  逃脱角色是'^]'   GET / HTTP / 1.1
  主持人：www.vinylengine.com
  接受：* / *

  HTTP / 1.1 302找到了   ...

如果您确实提供了一个，那么您将获得页面：

＆GT; telnet www.vinylengine.com 80
  尝试67.225.154.112 ...
  连接到vinylengine.com。
  逃脱角色是'^]'   GET / HTTP / 1.1
  主持人：www.vinylengine.com
  User-Agent：curl / 7.21.4（universal-apple-darwin11.0）libcurl / 7.21.4 OpenSSL / 0.9.8r zlib / 1.2.5
  接受：* / *

  HTTP / 1.1 200 OK
  ......（页面）

这通常是因为网站根据User-Agent标头确定的不同浏览器提供不同版本的内容。显然他们对“没有用户代理”的回答是......平底锅，你被重定向到父站点根目录。

Answer 2

HttpURLConnection.setFollowRedirects(true);

如果您使用的是HttpURLConnection，请使用上面的代码。

另请参阅Example showing HTTP redirects

Answer 3

当您在浏览器中配置代理但JVM不知道它时，这可能是可能的。

尝试使用以下参数启动JVM，看看它是否解决了问题：

-Dhttp.proxyHost=10.12.11.1 -Dhttp.proxyPort=8800

手动向网站发送GET请求。 302重定向错误

3 个答案: