java爬蟲-簡單爬取網頁圖片

　　剛剛接觸到“爬蟲”這個詞的時候是在大一，那時候什么都不明白，但知道了百度、谷歌他們的搜索引擎就是個爬蟲。

現在大二。再次燃起對爬蟲的熱愛，查閱資料，知道常用java、python語言編程，這次我選擇了java。在網上查找的

代碼在本地跑大部分都不能使用，查找相關的資料教程也沒有適合的。實在頭疼、、、

　　現在自己寫了一個簡單爬取網頁圖片的代碼，先分析一下自己寫的代碼吧

            //獲得html文本內容String HTML = cm.getHtml(URL);//獲取圖片標簽List<String> imgUrl = cm.getImageUrl(HTML);//獲取圖片src地址List<String> imgSrc = cm.getImageSrc(imgUrl);//下載圖片cm.Download(imgSrc);

　　簡單分為四個功能方法（函數），首先是要獲取html文本

 //獲取HTML內容private String getHtml(String url)throws Exception{URL url1=new URL(url);//使用java.net.URLURLConnection connection=url1.openConnection();//打開鏈接InputStream in=connection.getInputStream();//獲取輸入流InputStreamReader isr=new InputStreamReader(in);//流的包裝BufferedReader br=new BufferedReader(isr);String line;StringBuffer sb=new StringBuffer();while((line=br.readLine())!=null){//整行讀取sb.append(line,0,line.length());//添加到StringBuffer中sb.append('\n');//添加換行符
        }//關閉各種流，先聲明的后關閉
        br.close();isr.close();in.close();return sb.toString();}

然后在獲取的html文本中尋找圖片，根據html標記語言不難發現圖片通常帶有<img>，所以

寫一個關于img的正則表達式

    // 獲取img標簽正則private static final String IMGURL_REG = "<img.*src=(.*?)[^>]*?>";

接著是獲取img標簽信息，大部分涉及的是集合接口和正則表達式的知識

//獲取ImageUrl地址private List<String> getImageUrl(String html){Matcher matcher=Pattern.compile(IMGURL_REG).matcher(html);List<String>listimgurl=new ArrayList<String>();while (matcher.find()){listimgurl.add(matcher.group());}return listimgurl;}

然后獲取img標簽信息中找取圖片的地址信息，需要構造圖片地址的正則表達式

// 獲取src路徑的正則private static final String IMGSRC_REG = "[a-zA-z]+://[^\\s]*";

接著是獲取圖片地址的信息，大部分涉及的也是集合接口和正則表達式的知識

//獲取ImageSrc地址private List<String> getImageSrc(List<String> listimageurl){List<String> listImageSrc=new ArrayList<String>();for (String image:listimageurl){Matcher matcher=Pattern.compile(IMGSRC_REG).matcher(image);while (matcher.find()){listImageSrc.add(matcher.group().substring(0, matcher.group().length()-1));}}return listImageSrc;}

最后通過圖片地址信息下載圖片

//下載圖片private void Download(List<String> listImgSrc) {try {//開始時間Date begindate = new Date();for (String url : listImgSrc) {//開始時間Date begindate2 = new Date();String imageName = url.substring(url.lastIndexOf("/") + 1, url.length());URL uri = new URL(url);InputStream in = uri.openStream();FileOutputStream fo = new FileOutputStream(new File("src/res/"+imageName));//文件輸出流byte[] buf = new byte[1024];int length = 0;System.out.println("開始下載:" + url);while ((length = in.read(buf, 0, buf.length)) != -1) {fo.write(buf, 0, length);}//關閉流
                in.close();fo.close();System.out.println(imageName + "下載完成");//結束時間Date overdate2 = new Date();double time = overdate2.getTime() - begindate2.getTime();System.out.println("耗時：" + time / 1000 + "s");}Date overdate = new Date();double time = overdate.getTime() - begindate.getTime();System.out.println("總耗時：" + time / 1000 + "s");} catch (Exception e) {System.out.println("下載失敗");}}    

展示一下運行結果：

?

上一下全部代碼：

import java.io.*;
import java.net.URL;
import java.net.URLConnection;
import java.util.*;
import java.util.regex.Matcher;
import java.util.regex.Pattern;public class Main {// 地址private static final String URL = "http://www.tooopen.com/view/1439719.html";// 獲取img標簽正則private static final String IMGURL_REG = "<img.*src=(.*?)[^>]*?>";// 獲取src路徑的正則private static final String IMGSRC_REG = "[a-zA-z]+://[^\\s]*";public static void main(String[] args) {try {Main cm=new Main();//獲得html文本內容String HTML = cm.getHtml(URL);//獲取圖片標簽List<String> imgUrl = cm.getImageUrl(HTML);//獲取圖片src地址List<String> imgSrc = cm.getImageSrc(imgUrl);//下載圖片
            cm.Download(imgSrc);}catch (Exception e){System.out.println("發生錯誤");}}//獲取HTML內容private String getHtml(String url)throws Exception{URL url1=new URL(url);URLConnection connection=url1.openConnection();InputStream in=connection.getInputStream();InputStreamReader isr=new InputStreamReader(in);BufferedReader br=new BufferedReader(isr);String line;StringBuffer sb=new StringBuffer();while((line=br.readLine())!=null){sb.append(line,0,line.length());sb.append('\n');}
        br.close();isr.close();in.close();return sb.toString();}//獲取ImageUrl地址private List<String> getImageUrl(String html){Matcher matcher=Pattern.compile(IMGURL_REG).matcher(html);List<String>listimgurl=new ArrayList<String>();while (matcher.find()){listimgurl.add(matcher.group());}return listimgurl;}//獲取ImageSrc地址private List<String> getImageSrc(List<String> listimageurl){List<String> listImageSrc=new ArrayList<String>();for (String image:listimageurl){Matcher matcher=Pattern.compile(IMGSRC_REG).matcher(image);while (matcher.find()){listImageSrc.add(matcher.group().substring(0, matcher.group().length()-1));}}return listImageSrc;}//下載圖片private void Download(List<String> listImgSrc) {try {//開始時間Date begindate = new Date();for (String url : listImgSrc) {//開始時間Date begindate2 = new Date();String imageName = url.substring(url.lastIndexOf("/") + 1, url.length());URL uri = new URL(url);InputStream in = uri.openStream();FileOutputStream fo = new FileOutputStream(new File("src/res/"+imageName));byte[] buf = new byte[1024];int length = 0;System.out.println("開始下載:" + url);while ((length = in.read(buf, 0, buf.length)) != -1) {fo.write(buf, 0, length);}in.close();fo.close();System.out.println(imageName + "下載完成");//結束時間Date overdate2 = new Date();double time = overdate2.getTime() - begindate2.getTime();System.out.println("耗時：" + time / 1000 + "s");}Date overdate = new Date();double time = overdate.getTime() - begindate.getTime();System.out.println("總耗時：" + time / 1000 + "s");} catch (Exception e) {System.out.println("下載失敗");}}
}

　　本人還是java初學者，能力有限，如有更好的代碼或者教程可以留言，我們可以交流學習。
以上還有不足或者不對之處請指出，非常感謝個位。