• java爬虫-简单爬取网页图片


      刚刚接触到“爬虫”这个词的时候是在大一,那时候什么都不明白,但知道了百度、谷歌他们的搜索引擎就是个爬虫。

    现在大二。再次燃起对爬虫的热爱,查阅资料,知道常用java、python语言编程,这次我选择了java。在网上查找的

    代码在本地跑大部分都不能使用,查找相关的资料教程也没有适合的。实在头疼、、、

      现在自己写了一个简单爬取网页图片的代码,先分析一下自己写的代码吧

                //获得html文本内容
                String HTML = cm.getHtml(URL);
                //获取图片标签
                List<String> imgUrl = cm.getImageUrl(HTML);
                //获取图片src地址
                List<String> imgSrc = cm.getImageSrc(imgUrl);
                //下载图片
                cm.Download(imgSrc);

      简单分为四个功能方法(函数),首先是要获取html文本

     //获取HTML内容
        private String getHtml(String url)throws Exception{
            URL url1=new URL(url);//使用java.net.URL
            URLConnection connection=url1.openConnection();//打开链接
            InputStream in=connection.getInputStream();//获取输入流
            InputStreamReader isr=new InputStreamReader(in);//流的包装
            BufferedReader br=new BufferedReader(isr);
    
            String line;
            StringBuffer sb=new StringBuffer();
            while((line=br.readLine())!=null){//整行读取
                sb.append(line,0,line.length());//添加到StringBuffer中
                sb.append('
    ');//添加换行符
            }
            //关闭各种流,先声明的后关闭
            br.close();
            isr.close();
            in.close();
            return sb.toString();
        }

    然后在获取的html文本中寻找图片,根据html标记语言不难发现图片通常带有<img>,所以

    写一个关于img的正则表达式

        // 获取img标签正则
        private static final String IMGURL_REG = "<img.*src=(.*?)[^>]*?>";

    接着是获取img标签信息,大部分涉及的是集合接口和正则表达式的知识

    //获取ImageUrl地址
        private List<String> getImageUrl(String html){
            Matcher matcher=Pattern.compile(IMGURL_REG).matcher(html);
            List<String>listimgurl=new ArrayList<String>();
            while (matcher.find()){
                listimgurl.add(matcher.group());
            }
            return listimgurl;
        }

    然后获取img标签信息中找取图片的地址信息,需要构造图片地址的正则表达式

    // 获取src路径的正则
        private static final String IMGSRC_REG = "[a-zA-z]+://[^\s]*";

    接着是获取图片地址的信息,大部分涉及的也是集合接口和正则表达式的知识

    //获取ImageSrc地址
        private List<String> getImageSrc(List<String> listimageurl){
            List<String> listImageSrc=new ArrayList<String>();
            for (String image:listimageurl){
                Matcher matcher=Pattern.compile(IMGSRC_REG).matcher(image);
                while (matcher.find()){
                    listImageSrc.add(matcher.group().substring(0, matcher.group().length()-1));
                }
            }
            return listImageSrc;
        }

    最后通过图片地址信息下载图片

    //下载图片
        private void Download(List<String> listImgSrc) {
            try {
                //开始时间
                Date begindate = new Date();
                for (String url : listImgSrc) {
                    //开始时间
                    Date begindate2 = new Date();
                    String imageName = url.substring(url.lastIndexOf("/") + 1, url.length());
                    URL uri = new URL(url);
                    InputStream in = uri.openStream();
                    FileOutputStream fo = new FileOutputStream(new File("src/res/"+imageName));//文件输出流
                    byte[] buf = new byte[1024];
                    int length = 0;
                    System.out.println("开始下载:" + url);
                    while ((length = in.read(buf, 0, buf.length)) != -1) {
                        fo.write(buf, 0, length);
                    }
                    //关闭流
                    in.close();
                    fo.close();
                    System.out.println(imageName + "下载完成");
                    //结束时间
                    Date overdate2 = new Date();
                    double time = overdate2.getTime() - begindate2.getTime();
                    System.out.println("耗时:" + time / 1000 + "s");
                }
                Date overdate = new Date();
                double time = overdate.getTime() - begindate.getTime();
                System.out.println("总耗时:" + time / 1000 + "s");
            } catch (Exception e) {
                System.out.println("下载失败");
            }
        }    

    展示一下运行结果:

    上一下全部代码:

    import java.io.*;
    import java.net.URL;
    import java.net.URLConnection;
    import java.util.*;
    import java.util.regex.Matcher;
    import java.util.regex.Pattern;
    
    public class Main {
    
        // 地址
        private static final String URL = "http://www.tooopen.com/view/1439719.html";
        // 获取img标签正则
        private static final String IMGURL_REG = "<img.*src=(.*?)[^>]*?>";
        // 获取src路径的正则
        private static final String IMGSRC_REG = "[a-zA-z]+://[^\s]*";
    
    
        public static void main(String[] args) {
            try {
                Main cm=new Main();
                //获得html文本内容
                String HTML = cm.getHtml(URL);
                //获取图片标签
                List<String> imgUrl = cm.getImageUrl(HTML);
                //获取图片src地址
                List<String> imgSrc = cm.getImageSrc(imgUrl);
                //下载图片
                cm.Download(imgSrc);
    
            }catch (Exception e){
                System.out.println("发生错误");
            }
    
        }
    
       //获取HTML内容
        private String getHtml(String url)throws Exception{
            URL url1=new URL(url);
            URLConnection connection=url1.openConnection();
            InputStream in=connection.getInputStream();
            InputStreamReader isr=new InputStreamReader(in);
            BufferedReader br=new BufferedReader(isr);
    
            String line;
            StringBuffer sb=new StringBuffer();
            while((line=br.readLine())!=null){
                sb.append(line,0,line.length());
                sb.append('
    ');
            }
            br.close();
            isr.close();
            in.close();
            return sb.toString();
        }
    
        //获取ImageUrl地址
        private List<String> getImageUrl(String html){
            Matcher matcher=Pattern.compile(IMGURL_REG).matcher(html);
            List<String>listimgurl=new ArrayList<String>();
            while (matcher.find()){
                listimgurl.add(matcher.group());
            }
            return listimgurl;
        }
    
        //获取ImageSrc地址
        private List<String> getImageSrc(List<String> listimageurl){
            List<String> listImageSrc=new ArrayList<String>();
            for (String image:listimageurl){
                Matcher matcher=Pattern.compile(IMGSRC_REG).matcher(image);
                while (matcher.find()){
                    listImageSrc.add(matcher.group().substring(0, matcher.group().length()-1));
                }
            }
            return listImageSrc;
        }
    
        //下载图片
        private void Download(List<String> listImgSrc) {
            try {
                //开始时间
                Date begindate = new Date();
                for (String url : listImgSrc) {
                    //开始时间
                    Date begindate2 = new Date();
                    String imageName = url.substring(url.lastIndexOf("/") + 1, url.length());
                    URL uri = new URL(url);
                    InputStream in = uri.openStream();
                    FileOutputStream fo = new FileOutputStream(new File("src/res/"+imageName));
                    byte[] buf = new byte[1024];
                    int length = 0;
                    System.out.println("开始下载:" + url);
                    while ((length = in.read(buf, 0, buf.length)) != -1) {
                        fo.write(buf, 0, length);
                    }
                    in.close();
                    fo.close();
                    System.out.println(imageName + "下载完成");
                    //结束时间
                    Date overdate2 = new Date();
                    double time = overdate2.getTime() - begindate2.getTime();
                    System.out.println("耗时:" + time / 1000 + "s");
                }
                Date overdate = new Date();
                double time = overdate.getTime() - begindate.getTime();
                System.out.println("总耗时:" + time / 1000 + "s");
            } catch (Exception e) {
                System.out.println("下载失败");
            }
        }
    }

      本人还是java初学者,能力有限,如有更好的代码或者教程可以留言,我们可以交流学习。
    以上还有不足或者不对之处请指出,非常感谢个位。

  • 相关阅读:
    如何开始DDD(续)
    如何开始DDD
    ThinkNet终于见面了
    [Umbraco] umbraco中如何分页
    ETL 工具下载全集 包括 Informatica Datastage Cognos( 持续更新)
    js时间对比-转化为几天前,几小时前,几分钟前
    原生JS实现返回顶部和滚动锚点
    JSONP原理及简单实现 可做简单插件使用
    CSS3 transition效果 360度旋转 旋转放大 放大 移动
    js获取url的常用方法
  • 原文地址:https://www.cnblogs.com/jinxiaohang/p/6637209.html
Copyright © 2020-2023  润新知