抓取网页碰到500错误时：User Agent

当你写蜘蛛程序的时候，会发现很多网页会碰到500错误，这个问题我初次碰到，把我好折磨，好不容易解决了，原来如此简单。

当使用

URL url = new URL("http://www.google.cn/search?hl=zh-CN&newwindow=1&q=北京&start=0&sa=N");

url.openStream() 时候发现报403访问拒绝错误，是由于谷歌对java 程序进行限制，缺少Agent。

解决办法：

URL url = new URL("http://www.google.cn/search?hl=zh-CN&newwindow=1&q=北京&start=0&sa=N");

URLConnection con = url.openConnection();

con.setRequestProperty("User-Agent","Mozilla/4.0 (compatible; MSIE 5.0; Windows XP; DigExt)");

InputStream in = con.getInputStream();

private static Document getURLContent() throws MalformedURLException, IOException, UnsupportedEncodingException {
        Document doc = Jsoup.connect("http://www.tudou.com/programs/view/pVploWOtCQM/")
          .data("query", "Java")
          .userAgent("Mozilla")
          .cookie("auth", "token")
          .timeout(3000)
          .post();
        return doc;
    }

在写爬虫的时候经常会遇到有些页面下载下来会有问题，如果你把请求模拟成和浏览器一样，肯定是可以把页面正确获取的，但是其中往往很多参数都没有什么用，真正影响的就几个关键参数。这里特别把自己的经验做一下总结。 
重点需要关注的参数有：
 1. url: 这主要就是URL编码会导致问题，在URL中包含中文的时候可能会出现
 2. user-agent: 大网站通常会对不同的浏览器做优化，所以会有区别
 3. cookie: 有些网站会用到cookie信息，比如有些网站会把session信息记录在cookie中
 4. refer: 有些网站为了防止跨站攻击，会对refer的页面进行检查
 5. accept-charset和accept-encoding: 个别网站会对接收的编码会有特殊处理
 6. sessionID: 这个有时会设在参数中，有些网站会用到这个值，当然还有其他参数可能会有用到。
 
上面都是经验之谈，希望能对大家有所帮助。

原文地址：http://www.zhizhihu.com/html/y2011/3058.html