快捷導(dǎo)航

Java實現(xiàn)爬取百度圖片的方法分析

更新時間：2018年12月28日 14:27:45 作者：Joker_Ye

這篇文章主要介紹了Java實現(xiàn)爬取百度圖片的方法,結(jié)合實例形式分析了java基于jsonp爬取百度圖片的相關(guān)原理、操作技巧與注意事項,需要的朋友可以參考下

本文實例講述了Java實現(xiàn)爬取百度圖片的方法。分享給大家供大家參考，具體如下：

在以往用java來處理解析HTML文檔或者片段時，我們通常會采用htmlparser（http://htmlparser.sourceforge.net/）這個開源類庫?，F(xiàn)在我們有了JSOUP，以后的處理HTML的內(nèi)容只需要使用JSOUP就已經(jīng)足夠了，JSOUP有更快的更新，更方便的API等。

jsoup 是一款 Java 的HTML 解析器，可直接解析某個URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，可通過DOM，CSS以及類似于jQuery的操作方法來取出和操作數(shù)據(jù)，可以看作是java版的jQuery。

jsoup的主要功能如下：

從一個URL，文件或字符串中解析HTML；
使用DOM或CSS選擇器來查找、取出數(shù)據(jù)；
可操作HTML元素、屬性、文本；

jsoup是基于MIT協(xié)議發(fā)布的，可放心使用于商業(yè)項目。官方網(wǎng)站：http://jsoup.org/

步驟大致可以分為三個模塊：一是獲取網(wǎng)頁的資源，二是解析獲取的資源，取出我們想要的圖片URL地址，三是通過java的io存儲在本地文件中。

獲取網(wǎng)頁資源的核心模塊就是通過Jsoup去獲取網(wǎng)頁的內(nèi)容，具體核心代碼如下：

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")//請求參數(shù)
          .userAgent("Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)")//設(shè)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地址是百度圖片搜索的地址，具體調(diào)用代碼如下：

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);
}

這里需要注意的是：word是我們要搜索的關(guān)鍵字，pn是顯示的頁碼，rn是一頁顯示多少個數(shù)據(jù)。

解析網(wǎng)頁的資源，然后封裝起來。核心代碼如下：

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;
}

這里最主要的地方就是reg這個正則表達(dá)式，通過正則表達(dá)式，去網(wǎng)頁中解析符合規(guī)定的圖片URL地址，然后封裝在對象中。

最后一部分就是通過java的io流去圖片地址獲取圖片，并保存在本地。核心代碼如下：

//根據(jù)圖片網(wǎng)絡(luò)地址下載圖片
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+"http://"+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("找不到該網(wǎng)絡(luò)圖片....");
    }catch(NullPointerException nullPointerE){
      LogUtils.writeLog("找不到該網(wǎng)絡(luò)圖片....");
    }catch(IOException ioE){
      LogUtils.writeLog("產(chǎn)生IO異常.....");
    }catch (Exception e) {
      e.printStackTrace();
    }finally{
      try {
        fos.close();
      } catch (Exception e) {
        e.printStackTrace();
      }
    }
}

這里面的操作都是java中io篇一些基礎(chǔ)的操作，有不懂的可以去看看java中io模塊的內(nèi)容。

因為我這邊是maven項目，所以在開發(fā)前需要引入Jsoup依賴才可以。

源碼可點擊此處本站下載。

更多關(guān)于java相關(guān)內(nèi)容感興趣的讀者可查看本站專題：《Java網(wǎng)絡(luò)編程技巧總結(jié)》、《Java Socket編程技巧總結(jié)》、《Java文件與目錄操作技巧匯總》、《Java數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Java操作DOM節(jié)點技巧總結(jié)》和《Java緩存操作技巧匯總》

希望本文所述對大家java程序設(shè)計有所幫助。

您可能感興趣的文章: