想找一些图片做桌面背景,但是又不想一张张去下载,后来就想到了爬虫。。。
对于爬虫我也没具体用过,在网上一顿搜索后写了个小demo。
爬虫的具体思路就是:
1.调用url爬取网页信息
2.解析网页信息
3.保存数据
刚开始还用正则去匹配,获取img标签中的src地址,但是发现有很多不便(主要我正则不太会),后来发现了jsoup这个神器。 jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。
以下就用爬取图片为例:
import com.crawler.domain.PictureInfo;import org.bson.types.ObjectId;import org.springframework.data.mongodb.core.MongoTemplate;import org.springframework.data.mongodb.gridfs.GridFsTemplate;import org.springframework.stereotype.Service;import org.apache.commons.io.FileUtils;import org.apache.http.HttpEntity;import org.apache.http.client.ClientProtocolException;import org.apache.http.client.methods.CloseableHttpResponse;import org.apache.http.client.methods.HttpGet;import org.apache.http.impl.client.CloseableHttpClient;import org.apache.http.impl.client.HttpClients;import org.apache.http.util.EntityUtils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;import org.springframework.util.DigestUtils;import org.springframework.util.StringUtils;import javax.annotation.Resource;import java.io.*;import java.net.HttpURLConnection;import java.net.MalformedURLException;import java.net.URL;import java.net.URLConnection;import java.util.ArrayList;import java.util.List;import java.util.regex.Matcher;import java.util.regex.Pattern;/** * 爬虫实现 *@program: crawler * @description * @author: wl * @create: 2021-01-12 17:56 **/@Servicepublic class CrawlerService { /** * @param url 要抓取的网页地址 * @param encoding 要抓取网页编码 * @return */public String getHtmlResourceByUrl(String url, String encoding) { URL urlObj = null; HttpURLConnection uc = null; InputStreamReader isr = null; BufferedReader reader = null; StringBuffer buffer = new StringBuffer();// 建立网络连接try { urlObj = new URL(url);// 打开网络连接uc =(HttpURLConnection) urlObj.openConnection(); // 模拟浏览器请求uc.setRequestProperty(“User-Agent”, “Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)”);// 建立文件输入流isr = new InputStreamReader(uc.getInputStream(), encoding);// 建立缓存导入 将网页源代码下载下来reader = new BufferedReader(isr);// 临时String temp = null;while ((temp = reader.readLine()) != null) {// System.out.println(temp+”\n”);buffer.append(temp + “\n”); } System.out.println(“爬取结束:”+buffer.toString()); } catch (Exception e) { e.printStackTrace(); } finally {// 关流if (isr != null) {try { isr.close(); } catch (IOException e) { e.printStackTrace(); } } }return buffer.toString(); } /** * 下载图片 * * @param listImgSrc */public void Download(List<PictureInfo> listImgSrc) {int count = 0;try {for (int i = 0; i < listImgSrc.size(); i++) {try { PictureInfo pictureInfo = listImgSrc.get(i); String url=pictureInfo.getSrc(); String imageName = url.substring(url.lastIndexOf(“/”) + 1, url.length()); URL uri = new URL(url);// 打开连接URLConnection con = uri.openConnection();//设置请求超时为con.setConnectTimeout(5 * 1000); con.setRequestProperty(“User-Agent”, “Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)”);// 输入流InputStream is = con.getInputStream();// 1K的数据缓冲byte[] bs = new byte[1024];// 读取到的数据长度int len;// 输出的文件流String src = url.substring(URL.length());int index = src.lastIndexOf(‘/’); String fileName = src.substring(0, index + 1); File sf = new File(SAVE_PATH + fileName);if (!sf.exists()) { sf.mkdirs(); } OutputStream os = new FileOutputStream(sf.getPath() + “\\” + imageName); System.out.println(++count + “.开始下载:” + url);// 开始读取while ((len = is.read(bs)) != -1) { os.write(bs, 0, len); }// 完毕,关闭所有链接 os.close(); is.close(); System.out.println(imageName + “:–下载完成”); } catch (IOException e) { System.out.println(“下载错误”+e); } } } catch (Exception e) { e.printStackTrace(); System.out.println(“下载失败”+e); } }/** * 得到网页中图片的地址-推荐 * 使用jsoup * @param htmlStr html字符串 * @return List<String> */public List<PictureInfo> getImgStrJsoup(String htmlStr) { List<PictureInfo> pics = new ArrayList<PictureInfo>();//获取网页的document树Document imgDoc = Jsoup.parse(htmlStr);//获取所有的imgElements alts = imgDoc.select(“img[src]”);for (Element alt : alts) { PictureInfo p=new PictureInfo(); p.setSrc(alt.attr(“src”)); p.setAlt(alt.attr(“alt”)); p.setTitle(alt.attr(“title”)); pics.add(p); }return pics; }}
主要方法就这些,只要爬取下来的网页信息包含img标签,就能扒下其对应的图片。
这只是一部分啊。。。
不过提醒各位一句,爬下来自己用用就行了(我做动态桌面壁纸),不要用于商业用途,如果要商业化,可以去爬那些无版权的网站。
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试