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。