java爬虫-初识

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
 **/
@Service
public 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img
        Elements 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。