java爬虫-初识-java 爬虫框架

707次阅读
没有评论

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。

java爬虫-初识-java

 

 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

相关文章:

版权声明:Python教程2022-11-01发表,共计4980字。
新手QQ群:570568346,欢迎进群讨论 Python51学习