Java爬虫实践--爬取CSDN网站图片为例

时间:2024-01-16 18:42:32

实现的效果,自动在工程下创建Pictures文件夹,根据网站URL爬取图片,层层获取。在Pictures下以网站的层级URL命名文件夹,用来装该层URL下的图片。同时将文件名,路径,URL插入数据库,便于索引。

第一步,创建持久层类,用来存储文件名,路径以及URL。

    package org.amuxia.demo;  

    import java.sql.Connection;  
   import java.sql.DriverManager;  
   import java.sql.PreparedStatement;  
   import java.sql.SQLException;      public class JDBCHelper {  
       private static final String driver = "com.mysql.jdbc.Driver";  
       private static final String DBurl = "jdbc:mysql://127.0.0.1:3306/edupic";  
       private static final String user = "root";  
       private static final String password = "root";  
       private PreparedStatement pstmt = null;  
       private Connection spiderconn = null;          public void insertFilePath(String fileName, String filepath, String url) {  
           try {  
               Class.forName(driver);  
               spiderconn = DriverManager.getConnection(DBurl, user, password);  
               String sql = "insert into FilePath (filename,filepath,url) values (?,?,?)";  
               pstmt = spiderconn.prepareStatement(sql);  
               pstmt.setString(1, fileName);  
               pstmt.setString(2, filepath);  
               pstmt.setString(3, url);  
               pstmt.executeUpdate();              } catch (ClassNotFoundException e) {  
               // TODO Auto-generated catch block  
               e.printStackTrace();  
           } catch (SQLException e) {  
               e.printStackTrace();  
           } finally {  
               try {  
                   pstmt.close();  
                   spiderconn.close();  
               } catch (Exception e) {  
                   // TODO Auto-generated catch block  
                   e.printStackTrace();  
               }  
           }  
       }  
   }  

第二步,创建解析URL的类,进行爬取

    package org.amuxia.demo;  

    import java.io.BufferedReader;  
   import java.io.File;  
   import java.io.FileOutputStream;  
   import java.io.InputStream;  
   import java.io.InputStreamReader;  
   import java.io.PrintWriter;  
   import java.net.URL;  
   import java.net.URLConnection;  
   import java.util.ArrayList;  
   import java.util.Hashtable;  
   import java.util.regex.Matcher;  
   import java.util.regex.Pattern;      public class GetWeb {  
       private int webDepth = 5; // 爬虫深度  
       private int intThreadNum = 1; // 线程数  
       private String strHomePage = ""; // 主页地址  
       private String myDomain; // 域名  
       private String fPath = "CSDN"; // 储存网页文件的目录名  
       private ArrayList<String> arrUrls = new ArrayList<String>(); // 存储未处理URL  
       private ArrayList<String> arrUrl = new ArrayList<String>(); // 存储所有URL供建立索引  
       private Hashtable<String, Integer> allUrls = new Hashtable<String, Integer>(); // 存储所有URL的网页号  
       private Hashtable<String, Integer> deepUrls = new Hashtable<String, Integer>(); // 存储所有URL深度  
       private int intWebIndex = 0; // 网页对应文件下标,从0开始  
       private long startTime;  
       private int webSuccessed = 0;  
       private int webFailed = 0;          public static void main(String[] args) {  
           GetWeb gw = new GetWeb("http://www.csdn.net/");  
           gw.getWebByHomePage();  
       }          public GetWeb(String s) {  
           this.strHomePage = s;  
       }          public GetWeb(String s, int i) {  
           this.strHomePage = s;  
           this.webDepth = i;  
       }          public synchronized void addWebSuccessed() {  
           webSuccessed++;  
       }          public synchronized void addWebFailed() {  
           webFailed++;  
       }          public synchronized String getAUrl() {  
           String tmpAUrl = arrUrls.get(0);  
           arrUrls.remove(0);  
           return tmpAUrl;  
       }          public synchronized String getUrl() {  
           String tmpUrl = arrUrl.get(0);  
           arrUrl.remove(0);  
           return tmpUrl;  
       }          public synchronized Integer getIntWebIndex() {  
           intWebIndex++;  
           return intWebIndex;  
       }          /**
        * 由用户提供的域名站点开始,对所有链接页面进行抓取
        */  
       public void getWebByHomePage() {  
           startTime = System.currentTimeMillis();  
           this.myDomain = getDomain();  
           if (myDomain == null) {  
               System.out.println("Wrong input!");  
               return;  
           }              System.out.println("Homepage = " + strHomePage);  
           System.out.println("Domain = " + myDomain);  
           arrUrls.add(strHomePage);  
           arrUrl.add(strHomePage);  
           allUrls.put(strHomePage, 0);  
           deepUrls.put(strHomePage, 1);              File fDir = new File(fPath);  
           if (!fDir.exists()) {  
               fDir.mkdir();  
           }              System.out.println("开始工作");  
           String tmp = getAUrl(); // 取出新的URL  
           this.getWebByUrl(tmp, allUrls.get(tmp) + ""); // 对新URL所对应的网页进行抓取  
           int i = 0;  
           for (i = 0; i < intThreadNum; i++) {  
               new Thread(new Processer(this)).start();  
           }  
           while (true) {  
               if (arrUrls.isEmpty() && Thread.activeCount() == 1) {  
                   long finishTime = System.currentTimeMillis();  
                   long costTime = finishTime - startTime;  
                   System.out.println("\n\n\n\n\n完成");  
                   System.out.println(  
                           "开始时间 = " + startTime + "   " + "结束时间 = " + finishTime + "   " + "爬取总时间= " + costTime + "ms");  
                   System.out.println("爬取的URL总数 = " + (webSuccessed + webFailed) + "   成功的URL总数: " + webSuccessed  
                           + "   失败的URL总数: " + webFailed);  
                   String strIndex = "";  
                   String tmpUrl = "";  
                   while (!arrUrl.isEmpty()) {  
                       tmpUrl = getUrl();  
                       strIndex += "Web depth:" + deepUrls.get(tmpUrl) + "   Filepath: " + fPath + "/web"  
                               + allUrls.get(tmpUrl) + ".htm" + "url:" + tmpUrl + "\n\n";  
                   }  
                   System.out.println(strIndex);  
                   try {  
                       PrintWriter pwIndex = new PrintWriter(new FileOutputStream("fileindex.txt"));  
                       pwIndex.println(strIndex);  
                       pwIndex.close();  
                   } catch (Exception e) {  
                       System.out.println("生成索引文件失败!");  
                   }  
                   break;  
               }  
           }  
       }          /**
        * 对后续解析的网站进行爬取
        *  
        * @param strUrl
        * @param fileIndex
        */  
       public void getWebByUrl(String strUrl, String fileIndex) {  
           try {  
               System.out.println("通过URL得到网站: " + strUrl);                  URL url = new URL(strUrl);  
               URLConnection conn = url.openConnection();  
               conn.setDoOutput(true);  
               InputStream is = null;  
               is = url.openStream();  
               String filename = strUrl.replaceAll("/", "_");  
               filename = filename.replace(":", ".");  
               if (filename.indexOf("*") > 0) {  
                   filename = filename.replaceAll("*", ".");  
               }  
               if (filename.indexOf("?") > 0) {  
                   filename = filename.replaceAll("?", ".");  
               }  
               if (filename.indexOf("\"") > 0) {  
                   filename = filename.replaceAll("\"", ".");  
               }  
               if (filename.indexOf(">") > 0) {  
                   filename = filename.replaceAll(">", ".");  
               }  
               if (filename.indexOf("<") > 0) {  
                   filename = filename.replaceAll("<", ".");  
               }  
               if (filename.indexOf("|") > 0) {  
                   filename = filename.replaceAll("|", ".");  
               }  
               String filePath = fPath + "\\" + filename;  
               File file = new File(filePath);  
               if (!file.exists()) {  
                   file.mkdir();  
               }  
               JDBCHelper helper = new JDBCHelper();  
               helper.insertFilePath(filename, filePath, strUrl);  
               GetPicture getp = new GetPicture();  
               getp.get(strUrl, filePath);  
               BufferedReader bReader = new BufferedReader(new InputStreamReader(is));  
               StringBuffer sb = new StringBuffer();  
               String rLine = null;  
               String tmp_rLine = null;  
               while ((rLine = bReader.readLine()) != null) {  
                   tmp_rLine = rLine;  
                   int str_len = tmp_rLine.length();  
                   if (str_len > 0) {  
                       sb.append("\n" + tmp_rLine);  
                       if (deepUrls.get(strUrl) < webDepth)  
                           getUrlByString(tmp_rLine, strUrl);  
                   }  
                   tmp_rLine = null;  
               }  
               is.close();  
               System.out.println("获取网站成功 " + strUrl);  
               addWebSuccessed();  
           } catch (Exception e) {  
               System.out.println("获取网站失败,请检查URL是否存在 " + strUrl);  
               addWebFailed();  
           }  
       }          /**
        * 判断用户所提供URL是否为域名地址
        *  
        * @return
        */  
       public String getDomain() {  
           String reg = "(?<=http\\://[a-zA-Z0-9]{0,100}[.]{0,1})[^.\\s]*?\\.(com|cn|net|org|biz|info|cc|tv|edu)";  
           Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);  
           Matcher m = p.matcher(strHomePage);  
           boolean blnp = m.find();  
           if (blnp == true) {  
               return m.group(0);  
           }  
           return null;  
       }          /**
        * 解析新的网页,提取其中含有的链接信息
        *  
        * @param inputArgs
        * @param strUrl
        */  
       public void getUrlByString(String inputArgs, String strUrl) {  
           String tmpStr = inputArgs;  
           String regUrl = "(?<=(href=)[\"]?[\']?)[http://][^\\s\"\'\\?]*(" + myDomain + ")[^\\s\"\'>]*";  
           Pattern p = Pattern.compile(regUrl, Pattern.CASE_INSENSITIVE);  
           Matcher m = p.matcher(tmpStr);  
           boolean blnp = m.find();  
           while (blnp == true) {  
               if (!allUrls.containsKey(m.group(0))) {  
                   System.out.println("Find a new url,depth:" + (deepUrls.get(strUrl) + 1) + " " + m.group(0));  
                   arrUrls.add(m.group(0));  
                   arrUrl.add(m.group(0));  
                   allUrls.put(m.group(0), getIntWebIndex());  
                   deepUrls.put(m.group(0), (deepUrls.get(strUrl) + 1));  
               }  
               tmpStr = tmpStr.substring(m.end(), tmpStr.length());  
               m = p.matcher(tmpStr);  
               blnp = m.find();  
           }  
       }          /**
        * @author amuxia 另一个独立的爬取线程
        */  
       class Processer implements Runnable {  
           GetWeb gw;              public Processer(GetWeb g) {  
               this.gw = g;  
           }              public void run() {  
               while (!arrUrls.isEmpty()) {  
                   String tmp = getAUrl();  
                   getWebByUrl(tmp, allUrls.get(tmp) + "");  
               }  
           }  
       }  
   }

如图,此处添加要爬取的网址。

private String fPath = "CSDN"; 这里定义你爬取图片存放的位置,这里直接放在工程下的CSDN文件夹下,随意放,自己找得到就OK。

第三步,抓取图片下载

    package org.amuxia.demo;  

    import java.io.BufferedInputStream;  
   import java.io.BufferedReader;  
   import java.io.File;  
   import java.io.FileOutputStream;  
   import java.io.IOException;  
   import java.io.InputStreamReader;  
   import java.net.URL;  
   import java.util.regex.Matcher;  
   import java.util.regex.Pattern;      public class GetPicture {          public void getHtmlPicture(String httpUrl, String filePath) {  
           URL url;  
           BufferedInputStream in;  
           FileOutputStream file;              try {  
               System.out.println("爬取网络图片");  
               // 获取图片名  
               String fileName = httpUrl.substring(httpUrl.lastIndexOf("/")).replace("/", "");  
               // 初始化url对象  
               url = new URL(httpUrl);  
               // 初始化in对象,也就是获得url字节流  
               in = new BufferedInputStream(url.openStream());  
               file = new FileOutputStream(new File(filePath + "\\" + fileName));  
               int t;  
               while ((t = in.read()) != -1) {  
                   file.write(t);  
               }  
               file.close();  
               in.close();  
               System.out.println("图片爬取成功");  
           } catch (Exception e) {  
               e.printStackTrace();  
           }  
       }          public String getHtmlCode(String httpUrl) throws IOException {  
           String content = "";  
           URL url = new URL(httpUrl);  
           BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream()));  
           String input;  
           // 如果有数据  
           while ((input = reader.readLine()) != null) {  
               // 将读取数据赋给content  
               content += input;  
           }  
           // 关闭缓冲区  
           reader.close();  
           // 返回content  
           return content;  
       }          /**
        * 图片爬取方法
        *  
        * @param url
        * @throws IOException
        */  
       public void get(String url, String filePath) throws IOException {              // 定义两个获取网页图片的正则表达式  
           String searchImgReg = "(?x)(src|SRC|background|BACKGROUND)=('|\")/?(([\\w-]+/)*([\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";  
           String searchImgReg2 = "(?x)(src|SRC|background|BACKGROUND)=('|\")(http://([\\w-]+\\.)+[\\w-]+(:[0-9]+)*(/[\\w-]+)*(/[\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";              String content = this.getHtmlCode(url);  
           Pattern pattern = Pattern.compile(searchImgReg);  
           Matcher matcher = pattern.matcher(content);  
           while (matcher.find()) {  
               System.out.println(matcher.group(3));  
               this.getHtmlPicture(url + "/" + matcher.group(3), filePath);  
           }  
           pattern = Pattern.compile(searchImgReg2);  
           matcher = pattern.matcher(content);  
           while (matcher.find()) {  
               System.out.println(matcher.group(3));  
               this.getHtmlPicture(matcher.group(3), filePath);              }          }  
   }

这样就完成了!

我们看到,已经基本实现,这里不需要额外导包,只需要导一个MySQL驱动包,当然,如果不需要插入数据到数据库,对爬取图片没有任何影响,把第一个类去掉就好。

另外可能有些网站做了防爬虫可能会失败。

注:爬取网站之前最好和所有者进行沟通,另外爬取非公开内容是侵权的,这里只做测试使用。