Downloader是负责请求url获取返回值（html、json、jsonp等）的一个组件。当然会同时处理POST重定向、Https验证、ip代理、判断失败重试等。

接口：Downloader 定义了download方法返回Page，定义了setThread方法来请求的设置线程数。

抽象类：AbstractDownloader。 定义了重载的download方法返回Html，同时定义了onSuccess、onError状态方法，并定义了addToCycleRetry来判断是否需要进行重试。实现类：HttpClientDownloader。负责通过HttpClient下载页面辅助类：HttpClientGenerator。负责生成HttpClient实例。

1、AbstractDownloader

public Html download(String url, String charset) {        Page page = download(new Request(url), Site.me().setCharset(charset).toTask());        return (Html) page.getHtml();    }

这里download逻辑很简单，就是调用子类实现的download下载。

protected Page addToCycleRetry(Request request, Site site) {        Page page = new Page();        Object cycleTriedTimesObject = request.getExtra(Request.CYCLE_TRIED_TIMES);        if (cycleTriedTimesObject == null) {            page.addTargetRequest(request.setPriority(0).putExtra(Request.CYCLE_TRIED_TIMES, 1));        } else {            int cycleTriedTimes = (Integer) cycleTriedTimesObject;            cycleTriedTimes++;            if (cycleTriedTimes >= site.getCycleRetryTimes()) {                return null;            }            page.addTargetRequest(request.setPriority(0).putExtra(Request.CYCLE_TRIED_TIMES, cycleTriedTimes));        }        page.setNeedCycleRetry(true);        return page;    }

判断重试逻辑：先判断CYCLE_TRIED_TIMES是否为null，如果不为null，循环重试次数+1,判断是否超过最大允许值(默认为3次)，然后设置needCycleRetry标志说明需要被重试。这在我们Spider分析篇提到过这个，我们再来看看Spider中的代码片段加深理解

// for cycle retry        if (page.isNeedCycleRetry()) {            extractAndAddRequests(page, true);            sleep(site.getRetrySleepTime());            return;        }

2、HttpClientDownloader

继承了AbstractDownloader.负责通过HttpClient下载页面.实例变量httpClients：是一个Map型的变量，用来保存根据站点域名生成的HttpClient实例，以便重用。

httpClientGenerator：HttpClientGenerator实例，用来生成HttpClient

主要方法：

a、获取HttpClient实例。

private CloseableHttpClient getHttpClient(Site site, Proxy proxy) {        if (site == null) {            return httpClientGenerator.getClient(null, proxy);        }        String domain = site.getDomain();        CloseableHttpClient httpClient = httpClients.get(domain);        if (httpClient == null) {            synchronized (this) {                httpClient = httpClients.get(domain);                if (httpClient == null) {                    httpClient = httpClientGenerator.getClient(site, proxy);                    httpClients.put(domain, httpClient);                }            }        }        return httpClient;    }

主要思路是，通过Site获取域名，然后通过域名判断是否在httpClients这个map中已存在HttpClient实例，如果存在则重用，否则通过httpClientGenerator创建一个新的实例，然后加入到httpClients这个map中，并返回。

注意为了确保线程安全性，这里用到了线程安全的双重判断机制。

b、download方法：

public Page download(Request request, Task task) {    Site site = null;    if (task != null) {        site = task.getSite();    }    Set
    
      acceptStatCode;    String charset = null;    Map
     
       headers = null;    if (site != null) {        acceptStatCode = site.getAcceptStatCode();        charset = site.getCharset();        headers = site.getHeaders();    } else {        acceptStatCode = WMCollections.newHashSet(200);    }    logger.info("downloading page {}", request.getUrl());    CloseableHttpResponse httpResponse = null;    int statusCode=0;    try {        HttpHost proxyHost = null;        Proxy proxy = null; //TODO        if (site.getHttpProxyPool() != null && site.getHttpProxyPool().isEnable()) {            proxy = site.getHttpProxyFromPool();            proxyHost = proxy.getHttpHost();        } else if(site.getHttpProxy()!= null){            proxyHost = site.getHttpProxy();        }                HttpUriRequest httpUriRequest = getHttpUriRequest(request, site, headers, proxyHost);        httpResponse = getHttpClient(site, proxy).execute(httpUriRequest);        statusCode = httpResponse.getStatusLine().getStatusCode();        request.putExtra(Request.STATUS_CODE, statusCode);        if (statusAccept(acceptStatCode, statusCode)) {            Page page = handleResponse(request, charset, httpResponse, task);            onSuccess(request);            return page;        } else {            logger.warn("get page {} error, status code {} ",request.getUrl(),statusCode);            return null;        }    } catch (IOException e) {        logger.warn("download page {} error", request.getUrl(), e);        if (site.getCycleRetryTimes() > 0) {            return addToCycleRetry(request, site);        }        onError(request);        return null;    } finally {        request.putExtra(Request.STATUS_CODE, statusCode);        if (site.getHttpProxyPool()!=null && site.getHttpProxyPool().isEnable()) {            site.returnHttpProxyToPool((HttpHost) request.getExtra(Request.PROXY), (Integer) request                    .getExtra(Request.STATUS_CODE));        }        try {            if (httpResponse != null) {                //ensure the connection is released back to pool                EntityUtils.consume(httpResponse.getEntity());            }        } catch (IOException e) {            logger.warn("close response fail", e);        }    }}
     
    

注意，这里的Task入参，其实就是Spider实例。

首先通过site来设置字符集、请求头、以及允许接收的响应状态码。之后便是设置代理：首先判断site是否有设置代理池，以及代理池是否可用。可用，则随机从池中获取一个代理主机，否则判断site是否设置过直接代理主机。然后获取HttpUriRequest(它是HttpGet、HttpPost的接口)，执行请求、判断响应码，并将响应转换成Page对象返回。期间还调用了状态方法onSuccess,onError，但是这两个方法都是空实现。(主要原因可能是在Spider中已经通过调用Listener来处理状态了)。如果发生异常，调用addToCycleRetry判断是否需要进行重试。如果这里返回的Page为null，在Spider中就不会调用PageProcessor，所以我们在PageProcessor中不用担心Page是否为null最后的finally块中进行资源回收处理，回收代理入池，回收HttpClient的connection等(EntityUtils.consume(httpResponse.getEntity());)。

c、具体说说怎么获取HttpUriRequest

protected HttpUriRequest getHttpUriRequest(Request request, Site site, Map
    
      headers,HttpHost proxy) {        RequestBuilder requestBuilder = selectRequestMethod(request).setUri(request.getUrl());        if (headers != null) {            for (Map.Entry
     
       headerEntry : headers.entrySet()) {                requestBuilder.addHeader(headerEntry.getKey(), headerEntry.getValue());            }        }        RequestConfig.Builder requestConfigBuilder = RequestConfig.custom()                .setConnectionRequestTimeout(site.getTimeOut())                .setSocketTimeout(site.getTimeOut())                .setConnectTimeout(site.getTimeOut())                .setCookieSpec(CookieSpecs.BEST_MATCH);        if (proxy !=null) {            requestConfigBuilder.setProxy(proxy);            request.putExtra(Request.PROXY, proxy);        }        requestBuilder.setConfig(requestConfigBuilder.build());        return requestBuilder.build();    }
     
    

首先调用selectRequestMethod来获取合适的RequestBuilder，比如是GET还是POST，同时设置请求参数。之后便是调用HttpClient的相关API设置请求头、超时时间、代理等。

关于selectRequestMethod的改动：预计在WebMagic0.6.2(目前还未发布)之后由于作者合并并修改了PR，设置POST请求参数会大大简化。

之前POST请求设置参数需要request.putExtra("nameValuePair",NameValuePair[]);然后这个NameValuePair[]需要不断add BasicNameValuePair,而且还需要UrlEncodedFormEntity,设置参数过程比较繁琐，整个过程如下：

List
    
      formparams = new ArrayList
     
      ();formparams.add(new BasicNameValuePair("channelCode", "0008")); formparams.add(new BasicNameValuePair("pageIndex", i+""));formparams.add(new BasicNameValuePair("pageSize", "15"));formparams.add(new BasicNameValuePair("sitewebName", "广东省"));request.putExtra("nameValuePair",formparams.toArray());
     
    

之后我们只需要如下就可以了：

request.putParam("sitewebName", "广东省");request.putParam("xxx", "xxx");

d、说说下载的内容如何转换为Page对象：

protected Page handleResponse(Request request, String charset, HttpResponse httpResponse, Task task) throws IOException {        String content = getContent(charset, httpResponse);        Page page = new Page();        page.setRawText(content);        page.setUrl(new PlainText(request.getUrl()));        page.setRequest(request);        page.setStatusCode(httpResponse.getStatusLine().getStatusCode());        return page;    }

这个方法没什么好说的，唯一要说的就是它调用getContent方法。

protected String getContent(String charset, HttpResponse httpResponse) throws IOException {    if (charset == null) {        byte[] contentBytes = IOUtils.toByteArray(httpResponse.getEntity().getContent());        String htmlCharset = getHtmlCharset(httpResponse, contentBytes);        if (htmlCharset != null) {            return new String(contentBytes, htmlCharset);        } else {            logger.warn("Charset autodetect failed, use {} as charset. Please specify charset in Site.setCharset()", Charset.defaultCharset());            return new String(contentBytes);        }    } else {        return IOUtils.toString(httpResponse.getEntity().getContent(), charset);    }}

getContent方法，首先判断是否有charset(这是在Site中配置的)，如果有，直接调用ApacheCommons的IOUtils将相应内容转化成对应编码字符串，否则智能检测响应内容的字符编码。

protected String getHtmlCharset(HttpResponse httpResponse, byte[] contentBytes) throws IOException {    return CharsetUtils.detectCharset(httpResponse.getEntity().getContentType().getValue(), contentBytes);}

getHtmlCharset是调用CharsetUtils来检测字符编码，其思路就是，首先判断httpResponse.getEntity().getContentType().getValue()是否含有比如charset=utf-8

否则用Jsoup解析内容，判断是提取meta标签，然后判断针对html4中html4.01 <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />和html5中<meta charset="UTF-8" />分情况判断出字符编码。 当然，你懂的，如果服务端返回的不是完整的html内容(不包含head的)，甚至不是html内容(比如json)，那么就会导致判断失败，返回默认jvm编码值.所以说，如果可以，最好手动给Site设置字符编码。

3、HttpClientGenerator

用于生成HttpClient实例，算是一种工厂模式了。

public HttpClientGenerator() {        Registry
    
      reg = RegistryBuilder.
     
      create()                .register("http", PlainConnectionSocketFactory.INSTANCE)                .register("https", buildSSLConnectionSocketFactory())                .build();        connectionManager = new PoolingHttpClientConnectionManager(reg);        connectionManager.setDefaultMaxPerRoute(100);    }
     
    

构造函数主要是注册http以及https的socket工厂实例。https下我们需要提供自定义的工厂以忽略不可信证书校验(也就是信任所有证书)，在webmagic0.6之前是存在不可信证书校验失败这一问题的，之后webmagic合并了一个关于这一问题的PR，目前的策略是忽略证书校验、信任一切证书(这才是爬虫该采用的嘛，我们爬的不是安全，是寂寞。)

private CloseableHttpClient generateClient(Site site, Proxy proxy) {    CredentialsProvider credsProvider = null;    HttpClientBuilder httpClientBuilder = HttpClients.custom();        if(proxy!=null && StringUtils.isNotBlank(proxy.getUser()) && StringUtils.isNotBlank(proxy.getPassword()))    {        credsProvider= new BasicCredentialsProvider();        credsProvider.setCredentials(                new AuthScope(proxy.getHttpHost().getAddress().getHostAddress(), proxy.getHttpHost().getPort()),                new UsernamePasswordCredentials(proxy.getUser(), proxy.getPassword()));        httpClientBuilder.setDefaultCredentialsProvider(credsProvider);    }    if(site!=null&&site.getHttpProxy()!=null&&site.getUsernamePasswordCredentials()!=null){        credsProvider = new BasicCredentialsProvider();        credsProvider.setCredentials(                new AuthScope(site.getHttpProxy()),//可以访问的范围                site.getUsernamePasswordCredentials());//用户名和密码        httpClientBuilder.setDefaultCredentialsProvider(credsProvider);    }        httpClientBuilder.setConnectionManager(connectionManager);    if (site != null && site.getUserAgent() != null) {        httpClientBuilder.setUserAgent(site.getUserAgent());    } else {        httpClientBuilder.setUserAgent("");    }    if (site == null || site.isUseGzip()) {        httpClientBuilder.addInterceptorFirst(new HttpRequestInterceptor() {            public void process(                    final HttpRequest request,                    final HttpContext context) throws HttpException, IOException {                if (!request.containsHeader("Accept-Encoding")) {                    request.addHeader("Accept-Encoding", "gzip");                }            }        });    }    //解决post/redirect/post 302跳转问题    httpClientBuilder.setRedirectStrategy(new CustomRedirectStrategy());        SocketConfig socketConfig = SocketConfig.custom().setSoTimeout(site.getTimeOut()).setSoKeepAlive(true).setTcpNoDelay(true).build();    httpClientBuilder.setDefaultSocketConfig(socketConfig);    connectionManager.setDefaultSocketConfig(socketConfig);    if (site != null) {        httpClientBuilder.setRetryHandler(new DefaultHttpRequestRetryHandler(site.getRetryTimes(), true));    }    generateCookie(httpClientBuilder, site);    return httpClientBuilder.build();}

前面是设置代理代理及代理的用户名密码

这里主要需要关注的两点是1、post/redirect/post 302跳转问题：这是是通过设置一个自定义的跳转策略类来实现的。(这在0.6版本之前是存在问题的，0.6版本之后合并了PR)

httpClientBuilder.setRedirectStrategy(new CustomRedirectStrategy());

CustomRedirectStrategy在继承HttpClient自带额LaxRedirectStrategy(支持GET,POST，HEAD，DELETE请求重定向跳转)的基础上，对POST请求做了特殊化处理，如果是POST请求，代码处理如下：

HttpRequestWrapper httpRequestWrapper = (HttpRequestWrapper) request;httpRequestWrapper.setURI(uri);httpRequestWrapper.removeHeaders("Content-Length");

可以看到，POST请求时首先会重用原先的request对象，并重新设置uri为新的重定向url，然后移除新请求不需要的头部。重用request对象的好处是，post/redirect/post 302跳转时会携带原有的POST参数，就防止了参数丢失的问题。

否则默认实现是这样的

if (status == HttpStatus.SC_TEMPORARY_REDIRECT) {                return RequestBuilder.copy(request).setUri(uri).build();            } else {                return new HttpGet(uri);            }

SC_TEMPORARY_REDIRECT是307状态码，也就是说只有在307状态码的时候才会携带参数跳转。

2、HttpClient的重试： 这是是通过设置一个默认处理器来实现的，同时设置了重试次数(也就是Site中配置的retryTimes)。

httpClientBuilder.setRetryHandler(newDefaultHttpRequestRetryHandler(site.getRetryTimes(), true));

之后便是配置Cookie策略。

private void generateCookie(HttpClientBuilder httpClientBuilder, Site site) {    CookieStore cookieStore = new BasicCookieStore();    for (Map.Entry
    
      cookieEntry : site.getCookies().entrySet()) {        BasicClientCookie cookie = new BasicClientCookie(cookieEntry.getKey(), cookieEntry.getValue());        cookie.setDomain(site.getDomain());        cookieStore.addCookie(cookie);    }    for (Map.Entry
     
      > domainEntry : site.getAllCookies().entrySet()) {        for (Map.Entry
      
        cookieEntry : domainEntry.getValue().entrySet()) {            BasicClientCookie cookie = new BasicClientCookie(cookieEntry.getKey(), cookieEntry.getValue());            cookie.setDomain(domainEntry.getKey());            cookieStore.addCookie(cookie);        }    }    httpClientBuilder.setDefaultCookieStore(cookieStore);}
      
     
    

首先创建一个CookieStore实例，然后将Site中的cookie加入到cookieStore中。并配置到httpClientBuilder中。那么在这个HttpClient实例执行的所有请求中都会用到这个cookieStore。比如登录保持就可以通过配置Site中的Cookie来实现。

4、关于Page对象说明：

Page对象代表了一个请求结果，或者说相当于页面(当返回json时这种说法有点勉强)。

public Html getHtml() {        if (html == null) {            html = new Html(UrlUtils.fixAllRelativeHrefs(rawText, request.getUrl()));        }        return html;    }

通过它得到的页面，原始页面中的链接是不包含域名的情况下会被自动转换为http[s]开头的完整链接。

关于Downloader就分析到这，后续会进行补充，下篇主题待定。