Java实现爬取百度图片的方法分析
本文实例讲述了java实现爬取百度图片的方法。分享给大家供大家参考,具体如下:
在以往用java来处理解析html文档或者片段时,我们通常会采用htmlparser(http://htmlparser.sourceforge.net/)这个开源类库。现在我们有了jsoup,以后的处理html的内容只需要使用jsoup就已经足够了,jsoup有更快的更新,更方便的api等。
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,可以看作是java版的jquery。
jsoup的主要功能如下:
- 从一个url,文件或字符串中解析html;
- 使用dom或css选择器来查找、取出数据;
- 可操作html元素、属性、文本;
jsoup是基于mit协议发布的,可放心使用于商业项目。官方网站:http://jsoup.org/
步骤大致可以分为三个模块:一是获取网页的资源,二是解析获取的资源,取出我们想要的图片url地址,三是通过java的io存储在本地文件中。
获取网页资源的核心模块就是通过jsoup去获取网页的内容,具体核心代码如下:
private static list<jsoupimagevo> findimagenourl(string hotelid, string url, int timeout) { list<jsoupimagevo> result = new arraylist<jsoupimagevo>(); document document = null; try { document = jsoup.connect(url).data("query", "java")//请求参数 .useragent("mozilla/4.0 (compatible; msie 9.0; windows nt 6.1; trident/5.0)")//设置urer-agent get(); .timeout(timeout) .get(); string xmlsource = document.tostring(); result = dealresult(xmlsource, hotelid); } catch (exception e) { string defaulturl = "http://qnimg.zowoyoo.com/img/15463/1509533934407.jpg"; result = dealresult(defaulturl,hotelid); } return result; }
其中url地址是百度图片搜索的地址,具体调用代码如下:
public static list<jsoupimagevo> findimage(string hotelname, string hotelid, int page) { int number=5; string url = "http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=" + hotelname + "&cg=star&pn=" + page * 30 + "&rn="+number+"&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=" + integer.tohexstring(page * 30); int timeout = 5000; return findimagenourl(hotelid, url, timeout); }
这里需要注意的是:word是我们要搜索的关键字,pn是显示的页码,rn是一页显示多少个数据。
解析网页的资源,然后封装起来。核心代码如下:
private static list<jsoupimagevo> dealresult(string xmlsource, string hotelid) { list<jsoupimagevo> result = new arraylist<jsoupimagevo>(); xmlsource = stringescapeutils.unescapehtml3(xmlsource); string reg = "objurl\":\"http://.+?\\.(gif|jpeg|png|jpg|bmp)"; pattern pattern = pattern.compile(reg); matcher m = pattern.matcher(xmlsource); while (m.find()) { jsoupimagevo jsoupimagevo = new jsoupimagevo(); string imageurl = m.group().substring(9); if(imageurl==null || "".equals(imageurl)){ string defaulturl = "http://qnimg.zowoyoo.com/img/15463/1509533934407.jpg"; jsoupimagevo.seturl(defaulturl); }else{ jsoupimagevo.seturl(imageurl); } jsoupimagevo.setname(hotelid); result.add(jsoupimagevo); } return result; }
这里最主要的地方就是reg这个正则表达式,通过正则表达式,去网页中解析符合规定的图片url地址,然后封装在对象中。
最后一部分就是通过java的io流去图片地址获取图片,并保存在本地。核心代码如下:
//根据图片网络地址下载图片 public static void download(string url,string name,string path){ file file= null; file dirfile=null; fileoutputstream fos=null; httpurlconnection httpcon = null; urlconnection con = null; url urlobj=null; inputstream in =null; byte[] size = new byte[1024]; int num=0; try { dirfile = new file(path); if(dirfile.exists()){ dirfile.delete(); } dirfile.mkdir(); file = new file(path+"//"+name+".jpg"); fos = new fileoutputstream(file); if(url.startswith("http")){ urlobj = new url(url); con = urlobj.openconnection(); httpcon =(httpurlconnection) con; in = httpcon.getinputstream(); while((num=in.read(size)) != -1){ for(int i=0;i<num;i++) fos.write(size[i]); } } }catch (filenotfoundexception notfounde) { logutils.writelog("找不到该网络图片...."); }catch(nullpointerexception nullpointere){ logutils.writelog("找不到该网络图片...."); }catch(ioexception ioe){ logutils.writelog("产生io异常....."); }catch (exception e) { e.printstacktrace(); }finally{ try { fos.close(); } catch (exception e) { e.printstacktrace(); } } }
这里面的操作都是java中io篇一些基础的操作,有不懂的可以去看看java中io模块的内容。
因为我这边是maven项目,所以在开发前需要引入jsoup依赖才可以。
源码可点击此处本站下载。
更多关于java相关内容感兴趣的读者可查看本站专题:《java网络编程技巧总结》、《java socket编程技巧总结》、《java文件与目录操作技巧汇总》、《java数据结构与算法教程》、《java操作dom节点技巧总结》和《java缓存操作技巧汇总》
希望本文所述对大家java程序设计有所帮助。