码迷,mamicode.com
首页 > 编程语言 > 详细

Java做爬虫也很牛

时间:2020-08-03 23:23:49      阅读:86      评论:0      收藏:0      [点我收藏+]

标签:msi   osi   win   响应   快照   use   input   close   ip代理   

首先我们封装一个Http请求的工具类,用HttpURLConnection实现,当然你也可以用HttpClient, 或者直接用Jsoup来请求(下面会讲到Jsoup)。

工具类实现比较简单,就一个get方法,读取请求地址的响应内容,这边我们用来抓取网页的内容,这边没有用代理,在真正的抓取过程中,当你大量请求某个网站的时候,对方会有一系列的策略来禁用你的请求,这个时候代理就排上用场了,通过代理设置不同的IP来抓取数据。

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
public class HttpUtils {
    public static String get(String url) {
        try {
            URL getUrl = new URL(url);
            HttpURLConnection connection = (HttpURLConnection) getUrl
                    .openConnection();
            connection.setRequestMethod("GET");
            connection.setRequestProperty("Accept", "*/*");
            connection
                    .setRequestProperty("User-Agent",
                            "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; CIBA)");
            connection.setRequestProperty("Accept-Language", "zh-cn");
            connection.connect();
            BufferedReader reader = new BufferedReader(new InputStreamReader(connection.getInputStream(), "utf-8"));
            String line;
            StringBuffer result = new StringBuffer();
            while ((line = reader.readLine()) != null){
                result.append(line);
            }
            reader.close();
            return result.toString();
        } catch (Exception e) {
            e.printStackTrace();
        }
        return null;
    }
}

接下来我们随便找一个有图片的网页,来试试抓取功能

public static void main(String[] args) {
        String url = "https://www.toutiao.com/a6568327638044115460/";
        String html = HttpUtils.get(url);
        List<String> imgUrls = getImageSrc(html);
        for (String imgSrc : imgUrls) {
            System.out.println(imgSrc);
        }
    }
    public static List<String> getImageSrc(String html) {
        // 获取img标签正则
        String IMGURL_REG = "<img.*src=(.*?)[^>]*?>";
        // 获取src路径的正则
        String IMGSRC_REG = "http:\"?(.*?)(\"|>|\\s+)";
        Matcher matcher = Pattern.compile(IMGURL_REG).matcher(html);
        List<String> listImgUrl = new ArrayList<String>();
        while (matcher.find()) {
            Matcher m = Pattern.compile(IMGSRC_REG).matcher(matcher.group());
            while (m.find()) {
                listImgUrl.add(m.group().substring(0, m.group().length() - 1));
            }
        }
        return listImgUrl;
    }

首先将网页的内容抓取下来,然后用正则的方式解析出网页的标签,再解析img的地址。执行程序我们可以得到下面的内容:

http://p9.pstatp.com/large/pgc-image/1529307883634343f939c85
http://p1.pstatp.com/large/pgc-image/1529307883606177aaf408b
http://p3.pstatp.com/large/pgc-image/152930788361571655944eb
http://p1.pstatp.com/large/pgc-image/1529307883500ad4375beb0
http://p3.pstatp.com/large/pgc-image/1529307883536bc68e6156e

通过上面的地址我们就可以将图片下载到本地了,下面我们写个图片下载的方法:

public static void main(String[] args) throws MalformedURLException, IOException {
        String url = "https://www.toutiao.com/a6568327638044115460/";
        String html = HttpUtils.get(url);
        List<String> imgUrls = getImageSrc(html);
        for (String imgSrc : imgUrls) {
            Files.copy(new URL(imgSrc).openStream(), Paths.get("./img/"+UUID.randomUUID()+".png"));
        }
}

这样就很简单的实现了一个抓取并且提取图片的功能了,看起来还是比较麻烦哈,要写正则之类的 ,下面给大家介绍一种更简单的方式,如果你熟悉jQuery的话对提取元素就很简单了,这个框架就是Jsoup。

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。

添加jsoup的依赖:


<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.11.3</version>
</dependency>

使用jsoup之后提取的代码只需要简单的几行即可:

public static void main(String[] args) throws MalformedURLException, IOException {
        String url = "https://www.toutiao.com/a6568327638044115460/";
        String html = HttpUtils.get(url);
        Document doc = Jsoup.parse(html);
        Elements imgs = doc.getElementsByTag("img");
        for (Element img : imgs) {
            String imgSrc = img.attr("src");
            if (imgSrc.startsWith("//")) {
                imgSrc = "http:" + imgSrc;
            }
            Files.copy(new URL(imgSrc).openStream(), Paths.get("./img/"+UUID.randomUUID()+".png"));
        }
    }

通过Jsoup.parse创建一个文档对象,然后通过getElementsByTag的方法提取出所有的图片标签,循环遍历,通过attr方法获取图片的src属性,然后下载图片。

Jsoup使用起来非常简单,当然还有很多其他解析网页的操作,大家可以去看看资料学习一下。

下面我们再来升级一下,做成一个小工具,提供一个简单的界面,输入一个网页地址,点击提取按钮,然后把图片自动下载下来,我们可以用swing写界面。

public class App {
    public static void main(String[] args) {
        JFrame frame = new JFrame();
        frame.setResizable(false);
        frame.setSize(425,400);
        frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
        frame.setLayout(null);
        frame.setLocationRelativeTo(null);
        JTextField jTextField = new JTextField();
        jTextField.setBounds(100, 44, 200, 30);
        frame.add(jTextField);
        JButton jButton = new JButton("提取");
        jButton.setBounds(140, 144, 100, 30);
        frame.add(jButton);
        frame.setVisible(true);
        jButton.addActionListener(new ActionListener() {
            @Override
            public void actionPerformed(ActionEvent e) {
                String url = jTextField.getText();
                if (url == null || url.equals("")) {
                    JOptionPane.showMessageDialog(null, "请填写抓取地址");
                    return;
                }
                String html = HttpUtils.get(url);
                Document doc = Jsoup.parse(html);
                Elements imgs = doc.getElementsByTag("img");
                for (Element img : imgs) {
                    String imgSrc = img.attr("src");
                    if (imgSrc.startsWith("//")) {
                        imgSrc = "http:" + imgSrc;
                    }
                    try {
                        Files.copy(new URL(imgSrc).openStream(), Paths.get("./img/"+UUID.randomUUID()+".png"));
                    } catch (MalformedURLException e1) {
                        e1.printStackTrace();
                    } catch (IOException e1) {
                        e1.printStackTrace();
                    }
                }
                JOptionPane.showMessageDialog(null, "抓取完成");
            }
        });
    }
}

执行main方法首先出来的就是我们的界面了,如下:
技术图片
屏幕快照 2018-06-18 09.50.34 PM.png
屏幕快照 2018-06-18 09.50.34 PM.png
输入地址,点击提取按钮即可下载图片。

课程推荐

大数据时代,如何形成大数据。

大用户量,每天很多日志。

搞个爬虫,抓几十亿数据过来分析分析。

并不是只有Python才能做爬虫,Java照样可以。

今天带大家来写一个简单的图片抓取程序,将网页上的图片全部下载下来
技术图片
image
image
本课程将带领大家一步一步编写爬虫程序,爬到我们想要的数据,非登陆的或者需要登陆的都爬下来。

  • 学完本课程将学员培养成为合格的Java网络爬虫工程师,并能胜任相关爬虫工作;
  • 学完能够熟练使用XPath表达式进行信息提取;
  • 学完掌握抓包技术,掌握屏蔽的数据信息如何进行提取,自动模拟进行Ajax异步请求数据;
  • 熟练掌握jsoup提取网页数据。
  • selenium进行控制浏览器抓取数据。

课程大纲

  • HttpURLConnection用法详解
  • 静态网页抓取
  • jsoup解析提取网页信息
  • 模拟ajax进行POST请求抓取数据
  • 模拟登陆网站抓取数据
  • selenium抓取网页实战
  • htmlunit抓取动态网页数据
  • IP代理池构建
  • 多线程抓取实战
  • WebMagic框架实战爬虫
  • 抓取图书数据
  • 图书数据存储mongodb
  • 原价59的课程,目前只要19.9,学习课程请加我微信:
    技术图片
    image

image

文章推荐
1大牛坐镇|高端JAVA纯技术群你要加入吗?
2 Spring Cloud如何提供API给客户端
3前后端API交互如何保证数据安全性?
4Spring Cloud Zuul过滤器获取请求参数问题?
5Spring Boot 1.X和2.X优雅重启实战

更多技术分享尽在微信群,加群请关注公众号,点击加群按钮。
技术图片

Java做爬虫也很牛

标签:msi   osi   win   响应   快照   use   input   close   ip代理   

原文地址:https://blog.51cto.com/14888386/2516361

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!