黑马程序员技术交流社区

标题: 崇志恒 -java爬虫 [打印本页]

作者: 曹老师    时间: 2017-10-24 10:59
标题: 崇志恒 -java爬虫
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。
[java] view plain copy
1. package org.amuxia.demo;  
2.   
3. import java.sql.Connection;  
4. import java.sql.DriverManager;  
5. import java.sql.PreparedStatement;  
6. import java.sql.SQLException;  
7.   
8. public class JDBCHelper {  
9.     private static final String driver = "com.mysql.jdbc.Driver";  
10.     private static final String DBurl = "jdbc:mysql://127.0.0.1:3306/edupic";  
11.     private static final String user = "root";  
12.     private static final String password = "root";  
13.     private PreparedStatement pstmt = null;  
14.     private Connection spiderconn = null;  
15.   
16.     public void insertFilePath(String fileName, String filepath, String url) {  
17.         try {  
18.             Class.forName(driver);  
19.             spiderconn = DriverManager.getConnection(DBurl, user, password);  
20.             String sql = "insert into FilePath (filename,filepath,url) values (?,?,?)";  
21.             pstmt = spiderconn.prepareStatement(sql);  
22.             pstmt.setString(1, fileName);  
23.             pstmt.setString(2, filepath);  
24.             pstmt.setString(3, url);  
25.             pstmt.executeUpdate();  
26.   
27.         } catch (ClassNotFoundException e) {  
28.             // TODO Auto-generated catch block  
29.             e.printStackTrace();  
30.         } catch (SQLException e) {  
31.             e.printStackTrace();  
32.         } finally {  
33.             try {  
34.                 pstmt.close();  
35.                 spiderconn.close();  
36.             } catch (Exception e) {  
37.                 // TODO Auto-generated catch block  
38.                 e.printStackTrace();  
39.             }  
40.         }  
41.     }  
42. }  

第二步,创建解析URL的类,进行爬取
[java] view plain copy
1. package org.amuxia.demo;  
2.   
3. import java.io.BufferedReader;  
4. import java.io.File;  
5. import java.io.FileOutputStream;  
6. import java.io.InputStream;  
7. import java.io.InputStreamReader;  
8. import java.io.PrintWriter;  
9. import java.net.URL;  
10. import java.net.URLConnection;  
11. import java.util.ArrayList;  
12. import java.util.Hashtable;  
13. import java.util.regex.Matcher;  
14. import java.util.regex.Pattern;  
15.   
16. public class GetWeb {  
17.     private int webDepth = 5; // 爬虫深度  
18.     private int intThreadNum = 1; // 线程数  
19.     private String strHomePage = ""; // 主页地址  
20.     private String myDomain; // 域名  
21.     private String fPath = "CSDN"; // 储存网页文件的目录名  
22.     private ArrayList<String> arrUrls = new ArrayList<String>(); // 存储未处理URL  
23.     private ArrayList<String> arrUrl = new ArrayList<String>(); // 存储所有URL供建立索引  
24.     private Hashtable<String, Integer> allUrls = new Hashtable<String, Integer>(); // 存储所有URL的网页号  
25.     private Hashtable<String, Integer> deepUrls = new Hashtable<String, Integer>(); // 存储所有URL深度  
26.     private int intWebIndex = 0; // 网页对应文件下标,从0开始  
27.     private long startTime;  
28.     private int webSuccessed = 0;  
29.     private int webFailed = 0;  
30.      
31.     public static void main(String[] args) {  
32.         GetWeb gw = new GetWeb("http://www.csdn.net/");  
33.         gw.getWebByHomePage();  
34.     }  
35.      
36.     public GetWeb(String s) {  
37.         this.strHomePage = s;  
38.     }  
39.   
40.     public GetWeb(String s, int i) {  
41.         this.strHomePage = s;  
42.         this.webDepth = i;  
43.     }  
44.   
45.     public synchronized void addWebSuccessed() {  
46.         webSuccessed++;  
47.     }  
48.   
49.     public synchronized void addWebFailed() {  
50.         webFailed++;  
51.     }  
52.   
53.     public synchronized String getAUrl() {  
54.         String tmpAUrl = arrUrls.get(0);  
55.         arrUrls.remove(0);  
56.         return tmpAUrl;  
57.     }  
58.   
59.     public synchronized String getUrl() {  
60.         String tmpUrl = arrUrl.get(0);  
61.         arrUrl.remove(0);  
62.         return tmpUrl;  
63.     }  
64.   
65.     public synchronized Integer getIntWebIndex() {  
66.         intWebIndex++;  
67.         return intWebIndex;  
68.     }  
69.   
70.      
71.   
72.     /**
73.      * 由用户提供的域名站点开始,对所有链接页面进行抓取
74.      */  
75.     public void getWebByHomePage() {  
76.         startTime = System.currentTimeMillis();  
77.         this.myDomain = getDomain();  
78.         if (myDomain == null) {  
79.             System.out.println("Wrong input!");  
80.             return;  
81.         }  
82.   
83.         System.out.println("Homepage = " + strHomePage);  
84.         System.out.println("Domain = " + myDomain);  
85.         arrUrls.add(strHomePage);  
86.         arrUrl.add(strHomePage);  
87.         allUrls.put(strHomePage, 0);  
88.         deepUrls.put(strHomePage, 1);  
89.   
90.         File fDir = new File(fPath);  
91.         if (!fDir.exists()) {  
92.             fDir.mkdir();  
93.         }  
94.   
95.         System.out.println("开始工作");  
96.         String tmp = getAUrl(); // 取出新的URL  
97.         this.getWebByUrl(tmp, allUrls.get(tmp) + ""); // 对新URL所对应的网页进行抓取  
98.         int i = 0;  
99.         for (i = 0; i < intThreadNum; i++) {  
100.             new Thread(new Processer(this)).start();  
101.         }  
102.         while (true) {  
103.             if (arrUrls.isEmpty() && Thread.activeCount() == 1) {  
104.                 long finishTime = System.currentTimeMillis();  
105.                 long costTime = finishTime - startTime;  
106.                 System.out.println("\n\n\n\n\n完成");  
107.                 System.out.println(  
108.                         "开始时间 = " + startTime + "   " + "结束时间 = " + finishTime + "   " + "爬取总时间= " + costTime + "ms");  
109.                 System.out.println("爬取的URL总数 = " + (webSuccessed + webFailed) + "   成功的URL总数: " + webSuccessed  
110.                         + "   失败的URL总数: " + webFailed);  
111.                 String strIndex = "";  
112.                 String tmpUrl = "";  
113.                 while (!arrUrl.isEmpty()) {  
114.                     tmpUrl = getUrl();  
115.                     strIndex += "Web depth:" + deepUrls.get(tmpUrl) + "   Filepath: " + fPath + "/web"  
116.                             + allUrls.get(tmpUrl) + ".htm" + "url:" + tmpUrl + "\n\n";  
117.                 }  
118.                 System.out.println(strIndex);  
119.                 try {  
120.                     PrintWriter pwIndex = new PrintWriter(new FileOutputStream("fileindex.txt"));  
121.                     pwIndex.println(strIndex);  
122.                     pwIndex.close();  
123.                 } catch (Exception e) {  
124.                     System.out.println("生成索引文件失败!");  
125.                 }  
126.                 break;  
127.             }  
128.         }  
129.     }  
130.   
131.     /**
132.      * 对后续解析的网站进行爬取
133.      *  
134.      * @param strUrl
135.      * @param fileIndex
136.      */  
137.     public void getWebByUrl(String strUrl, String fileIndex) {  
138.         try {  
139.             System.out.println("通过URL得到网站: " + strUrl);  
140.   
141.             URL url = new URL(strUrl);  
142.             URLConnection conn = url.openConnection();  
143.             conn.setDoOutput(true);  
144.             InputStream is = null;  
145.             is = url.openStream();  
146.             String filename = strUrl.replaceAll("/", "_");  
147.             filename = filename.replace(":", ".");  
148.             if (filename.indexOf("*") > 0) {  
149.                 filename = filename.replaceAll("*", ".");  
150.             }  
151.             if (filename.indexOf("?") > 0) {  
152.                 filename = filename.replaceAll("?", ".");  
153.             }  
154.             if (filename.indexOf("\"") > 0) {  
155.                 filename = filename.replaceAll("\"", ".");  
156.             }  
157.             if (filename.indexOf(">") > 0) {  
158.                 filename = filename.replaceAll(">", ".");  
159.             }  
160.             if (filename.indexOf("<") > 0) {  
161.                 filename = filename.replaceAll("<", ".");  
162.             }  
163.             if (filename.indexOf("|") > 0) {  
164.                 filename = filename.replaceAll("|", ".");  
165.             }  
166.             String filePath = fPath + "\\" + filename;  
167.             File file = new File(filePath);  
168.             if (!file.exists()) {  
169.                 file.mkdir();  
170.             }  
171.             JDBCHelper helper = new JDBCHelper();  
172.             helper.insertFilePath(filename, filePath, strUrl);  
173.             GetPicture getp = new GetPicture();  
174.             getp.get(strUrl, filePath);  
175.             BufferedReader bReader = new BufferedReader(new InputStreamReader(is));  
176.             StringBuffer sb = new StringBuffer();  
177.             String rLine = null;  
178.             String tmp_rLine = null;  
179.             while ((rLine = bReader.readLine()) != null) {  
180.                 tmp_rLine = rLine;  
181.                 int str_len = tmp_rLine.length();  
182.                 if (str_len > 0) {  
183.                     sb.append("\n" + tmp_rLine);  
184.                     if (deepUrls.get(strUrl) < webDepth)  
185.                         getUrlByString(tmp_rLine, strUrl);  
186.                 }  
187.                 tmp_rLine = null;  
188.             }  
189.             is.close();  
190.             System.out.println("获取网站成功 " + strUrl);  
191.             addWebSuccessed();  
192.         } catch (Exception e) {  
193.             System.out.println("获取网站失败,请检查URL是否存在 " + strUrl);  
194.             addWebFailed();  
195.         }  
196.     }  
197.   
198.     /**
199.      * 判断用户所提供URL是否为域名地址
200.      *  
201.      * @return
202.      */  
203.     public String getDomain() {  
204.         String reg = "(?<=http\\://[a-zA-Z0-9]{0,100}[.]{0,1})[^.\\s]*?\\.(com|cn|net|org|biz|info|cc|tv|edu)";  
205.         Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);  
206.         Matcher m = p.matcher(strHomePage);  
207.         boolean blnp = m.find();  
208.         if (blnp == true) {  
209.             return m.group(0);  
210.         }  
211.         return null;  
212.     }  
213.   
214.     /**
215.      * 解析新的网页,提取其中含有的链接信息
216.      *  
217.      * @param inputArgs
218.      * @param strUrl
219.      */  
220.     public void getUrlByString(String inputArgs, String strUrl) {  
221.         String tmpStr = inputArgs;  
222.         String regUrl = "(?<=(href=)[\"]?[\']?)[http://][^\\s\"\'\\?]*(" + myDomain + ")[^\\s\"\'>]*";  
223.         Pattern p = Pattern.compile(regUrl, Pattern.CASE_INSENSITIVE);  
224.         Matcher m = p.matcher(tmpStr);  
225.         boolean blnp = m.find();  
226.         while (blnp == true) {  
227.             if (!allUrls.containsKey(m.group(0))) {  
228.                 System.out.println("Find a new url,depth:" + (deepUrls.get(strUrl) + 1) + " " + m.group(0));  
229.                 arrUrls.add(m.group(0));  
230.                 arrUrl.add(m.group(0));  
231.                 allUrls.put(m.group(0), getIntWebIndex());  
232.                 deepUrls.put(m.group(0), (deepUrls.get(strUrl) + 1));  
233.             }  
234.             tmpStr = tmpStr.substring(m.end(), tmpStr.length());  
235.             m = p.matcher(tmpStr);  
236.             blnp = m.find();  
237.         }  
238.     }  
239.   
240.     /**
241.      * @author amuxia 另一个独立的爬取线程
242.      */  
243.     class Processer implements Runnable {  
244.         GetWeb gw;  
245.   
246.         public Processer(GetWeb g) {  
247.             this.gw = g;  
248.         }  
249.   
250.         public void run() {  
251.             while (!arrUrls.isEmpty()) {  
252.                 String tmp = getAUrl();  
253.                 getWebByUrl(tmp, allUrls.get(tmp) + "");  
254.             }  
255.         }  
256.     }  
257. }  

file:///C:\Users\PC\AppData\Local\Temp\ksohtml\wpsDA67.tmp.jpg
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
[java] view plain copy
1. package org.amuxia.demo;  
2.   
3. import java.io.BufferedInputStream;  
4. import java.io.BufferedReader;  
5. import java.io.File;  
6. import java.io.FileOutputStream;  
7. import java.io.IOException;  
8. import java.io.InputStreamReader;  
9. import java.net.URL;  
10. import java.util.regex.Matcher;  
11. import java.util.regex.Pattern;  
12.   
13. public class GetPicture {  
14.   
15.     public void getHtmlPicture(String httpUrl, String filePath) {  
16.         URL url;  
17.         BufferedInputStream in;  
18.         FileOutputStream file;  
19.   
20.         try {  
21.             System.out.println("爬取网络图片");  
22.             // 获取图片名  
23.             String fileName = httpUrl.substring(httpUrl.lastIndexOf("/")).replace("/", "");  
24.             // 初始化url对象  
25.             url = new URL(httpUrl);  
26.             // 初始化in对象,也就是获得url字节流  
27.             in = new BufferedInputStream(url.openStream());  
28.             file = new FileOutputStream(new File(filePath + "\\" + fileName));  
29.             int t;  
30.             while ((t = in.read()) != -1) {  
31.                 file.write(t);  
32.             }  
33.             file.close();  
34.             in.close();  
35.             System.out.println("图片爬取成功");  
36.         } catch (Exception e) {  
37.             e.printStackTrace();  
38.         }  
39.     }  
40.   
41.     public String getHtmlCode(String httpUrl) throws IOException {  
42.         String content = "";  
43.         URL url = new URL(httpUrl);  
44.         BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream()));  
45.         String input;  
46.         // 如果有数据  
47.         while ((input = reader.readLine()) != null) {  
48.             // 将读取数据赋给content  
49.             content += input;  
50.         }  
51.         // 关闭缓冲区  
52.         reader.close();  
53.         // 返回content  
54.         return content;  
55.     }  
56.   
57.     /**
58.      * 图片爬取方法
59.      *  
60.      * @param url
61.      * @throws IOException
62.      */  
63.     public void get(String url, String filePath) throws IOException {  
64.   
65.         // 定义两个获取网页图片的正则表达式  
66.         String searchImgReg = "(?x)(src|SRC|background|BACKGROUND)=('|\")/?(([\\w-]+/)*([\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";  
67.         String searchImgReg2 = "(?x)(src|SRC|background|BACKGROUND)=('|\")(http://([\\w-]+\\.)+[\\w-]+(:[0-9]+)*(/[\\w-]+)*(/[\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";  
68.   
69.         String content = this.getHtmlCode(url);  
70.         Pattern pattern = Pattern.compile(searchImgReg);  
71.         Matcher matcher = pattern.matcher(content);  
72.         while (matcher.find()) {  
73.             System.out.println(matcher.group(3));  
74.             this.getHtmlPicture(url + "/" + matcher.group(3), filePath);  
75.         }  
76.         pattern = Pattern.compile(searchImgReg2);  
77.         matcher = pattern.matcher(content);  
78.         while (matcher.find()) {  
79.             System.out.println(matcher.group(3));  
80.             this.getHtmlPicture(matcher.group(3), filePath);  
81.   
82.         }  
83.   
84.     }  
85. }  

这样就完成了,看看效果如何?
控制台
file:///C:\Users\PC\AppData\Local\Temp\ksohtml\wpsDAA6.tmp.jpg
各层网址命名分类的文件夹
file:///C:\Users\PC\AppData\Local\Temp\ksohtml\wpsDAA7.tmp.jpg
文件夹下的图片
file:///C:\Users\PC\AppData\Local\Temp\ksohtml\wpsDAA8.tmp.jpg
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。






欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/) 黑马程序员IT技术论坛 X3.2