63

特定のGoogle検索用語の結果の量を取得するための小さなJavaプログラムを書いています。何らかの理由で、Javaでは403 Forbiddenを取得していますが、Webブラウザーで正しい結果を取得しています。コード：

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;


public class DataGetter {

    public static void main(String[] args) throws IOException {
        getResultAmount("test");
    }

    private static int getResultAmount(String query) throws IOException {
        BufferedReader r = new BufferedReader(new InputStreamReader(new URL("https://www.google.com/search?q=" + query).openConnection()
                .getInputStream()));
        String line;
        String src = "";
        while ((line = r.readLine()) != null) {
            src += line;
        }
        System.out.println(src);
        return 1;
    }

}

そしてエラー：

Exception in thread "main" java.io.IOException: Server returned HTTP response code: 403 for URL: https://www.google.com/search?q=test
    at sun.net.www.protocol.http.HttpURLConnection.getInputStream(Unknown Source)
    at sun.net.www.protocol.https.HttpsURLConnectionImpl.getInputStream(Unknown Source)
    at DataGetter.getResultAmount(DataGetter.java:15)
    at DataGetter.main(DataGetter.java:10)

なぜこれをしているのですか？

4

4 に答える 4

125

それが機能するためには、ユーザーエージェントヘッダーを設定する必要があります。

URLConnection connection = new URL("https://www.google.com/search?q=" + query).openConnection();
connection.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.95 Safari/537.11");
connection.connect();

BufferedReader r  = new BufferedReader(new InputStreamReader(connection.getInputStream(), Charset.forName("UTF-8")));

StringBuilder sb = new StringBuilder();
String line;
while ((line = r.readLine()) != null) {
    sb.append(line);
}
System.out.println(sb.toString());

例外スタックトレースからわかるように、SSLは透過的に処理されました。

結果の量を取得することは実際にはそれほど単純ではありませんが、この後、Cookieを取得し、リダイレクトトークンのリンクを解析することにより、ブラウザであると偽造する必要があります。

String cookie = connection.getHeaderField( "Set-Cookie").split(";")[0];
Pattern pattern = Pattern.compile("content=\\\"0;url=(.*?)\\\"");
Matcher m = pattern.matcher(response);
if( m.find() ) {
    String url = m.group(1);
    connection = new URL(url).openConnection();
    connection.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.95 Safari/537.11");
    connection.setRequestProperty("Cookie", cookie );
    connection.connect();
    r  = new BufferedReader(new InputStreamReader(connection.getInputStream(), Charset.forName("UTF-8")));
    sb = new StringBuilder();
    while ((line = r.readLine()) != null) {
        sb.append(line);
    }
    response = sb.toString();
    pattern = Pattern.compile("<div id=\"resultStats\">About ([0-9,]+) results</div>");
    m = pattern.matcher(response);
    if( m.find() ) {
        long amount = Long.parseLong(m.group(1).replaceAll(",", ""));
        return amount;
    }

}

結果として得られる完全なコードを実行します。2930000000L

于 2012-12-02T16:51:10.140 に答える
5

私にとっては、ヘッダーを追加することで機能しました： "Accept"： "* / *"

于 2018-06-27T10:23:51.360 に答える
2

おそらく正しいヘッダーを設定していません。ブラウザで（または同等の）を使用LiveHttpHeadersして、ブラウザが送信しているヘッダーを確認し、コードでそれらをエミュレートします。

于 2012-12-02T15:30:45.343 に答える
0

これは、サイトがSSLを使用しているためです。JerseyHTTPクライアントを使用してみてください。HTTPSと証明書についても少し学ぶ必要があるかもしれませんが、Jerseyは、実際のセキュリティに関連する詳細のほとんどを無視するように設定できると思います。

于 2012-12-02T15:34:11.143 に答える