Java jsoup爬取图片

jsoup爬取百度瀑布流图片

是的，Java也可以做网络爬虫，不仅可以爬静态网页的图片，也可以爬动态网页的图片，比如采用Ajax技术进行异步加载的百度瀑布流。

以前有写过用Java进行百度图片的抓取，但只能抓取到第一二页，本博文则对此问题进行了深入研究，提出了另外一种思路解决问题。我的思路是这样的：以前人们总认为既然百度瀑布流是采用JavaScript进行异步加载的，那么爬取图片至少要有一个模拟浏览器，比如Java领域中的无界面浏览器工具HtmlUnit，但后来我发现其实Jsoup也是可以的，只要用Jsoup去向百度服务器发送Ajax请求就行了，幸运的是我在观察百度图片的ajax请求时还真发现有两个类型的请求方式：avatarjson和acjson，实验告诉我们第一种请求方式已经几乎可以满足我们的所有需求。

本博文所实现的效果是：根据输入的多个关键字，可以按定制的页数把各自关键字的搜索结果下载到本地文件夹中。具体如下所示：

废话不多说，程序满上------->

1. package com.kendy.spider;
2. import java.io.File;
3. import java.io.FileNotFoundException;
4. import java.io.FileOutputStream;
5. import java.io.IOException;
6. import java.io.InputStream;
7. import java.net.HttpURLConnection;
8. import java.net.URL;
9. import java.net.URLConnection;
10. import java.util.ArrayList;
11. import java.util.List;
12. import java.util.regex.Matcher;
13. import java.util.regex.Pattern;
14. import org.apache.commons.lang3.StringEscapeUtils;
15. import org.jsoup.Jsoup;
16. import org.jsoup.nodes.Document;
17. // 爬取百度图片
18. public class JsoupBaidu2 {
19. public static void main(String[] args) throws Exception{
20. String downloadPath = "C:\\Users\\Kendy\\Desktop\\中国明星图";
21. List<String> list = nameList("凯莉·布鲁克 詹妮弗·洛佩兹 碧昂斯·诺里斯");
22. getPictures(list,1,downloadPath); //1代表下载一页，一页一般有30张图片
23. }
24. public static void getPictures(List<String> keywordList, int max,String downloadPath) throws Exception{ // key为关键词,max作为爬取的页数
25. String gsm=Integer.toHexString(max)+"";
26. String finalURL = "";
27. String tempPath = "";
28. for(String keyword : keywordList){
29. tempPath = downloadPath;
30. if(!tempPath.endsWith("\\")){
31. tempPath = downloadPath+"\\";
32. }
33. tempPath = tempPath+keyword+"\\";
34. File f = new File(tempPath);
35. if(!f.exists()){
36. f.mkdirs();
37. }
38. int picCount = 1;
39. for(int page=0;page<=max;page++) {
40. sop("正在下载第"+page+"页面");
41. Document document = null;
42. try {
43. String url ="http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word="+keyword+"&cg=star&pn="+page*30+"&rn=30&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm="+Integer.toHexString(page*30);
44. sop(url);
45. document = Jsoup.connect(url).data("query", "Java")//请求参数
46. .userAgent("Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)")//设置urer-agent  get();
47. .timeout(5000)
48. .get();
49. String xmlSource = document.toString();
50. xmlSource = StringEscapeUtils.unescapeHtml3(xmlSource);
51. sop(xmlSource);
52. String reg = "objURL\":\"http://.+?\\.jpg";
53. Pattern pattern = Pattern.compile(reg);
54. Matcher m = pattern.matcher(xmlSource);
55. while (m.find()) {
56. finalURL = m.group().substring(9);
57. sop(keyword+picCount+++":"+finalURL);
58. download(finalURL,tempPath);
59. sop("             下载成功");
60. }
61. } catch (IOException e) {
62. e.printStackTrace();
63. }
64. }
65. }
66. sop("下载完毕");
67. delMultyFile(downloadPath);
68. sop("已经删除所有空图");
69. }
70. public static void delMultyFile(String path){
71. File file = new File(path);
72. if(!file.exists())
73. throw new RuntimeException("File \""+path+"\" NotFound when excute the method of delMultyFile()....");
74. File[] fileList = file.listFiles();
75. File tempFile=null;
76. for(File f : fileList){
77. if(f.isDirectory()){
78. delMultyFile(f.getAbsolutePath());
79. }else{
80. if(f.length()==0)
81. sop(f.delete()+"---"+f.getName());
82. }
83. }
84. }
85. public static List<String> nameList(String nameList){
86. List<String> arr = new ArrayList<>();
87. String[] list;
88. if(nameList.contains(","))
89. list= nameList.split(",");
90. else if(nameList.contains("、"))
91. list= nameList.split("、");
92. else if(nameList.contains(" "))
93. list= nameList.split(" ");
94. else{
95. arr.add(nameList);
96. return arr;
97. }
98. for(String s : list){
99. arr.add(s);
100. }
101. return arr;
102. }
103. public static void sop(Object obj){
104. System.out.println(obj);
105. }
106. //根据图片网络地址下载图片
107. public static void download(String url,String path){
108. //path = path.substring(0,path.length()-2);
109. File file= null;
110. File dirFile=null;
111. FileOutputStream fos=null;
112. HttpURLConnection httpCon = null;
113. URLConnection  con = null;
114. URL urlObj=null;
115. InputStream in =null;
116. byte[] size = new byte[1024];
117. int num=0;
118. try {
119. String downloadName= url.substring(url.lastIndexOf("/")+1);
120. dirFile = new File(path);
121. if(!dirFile.exists() && path.length()>0){
122. if(dirFile.mkdir()){
123. sop("creat document file \""+path.substring(0,path.length()-1)+"\" success...\n");
124. }
125. }else{
126. file = new File(path+downloadName);
127. fos = new FileOutputStream(file);
128. if(url.startsWith("http")){
129. urlObj = new URL(url);
130. con = urlObj.openConnection();
131. httpCon =(HttpURLConnection) con;
132. in = httpCon.getInputStream();
133. while((num=in.read(size)) != -1){
134. for(int i=0;i<num;i++)
135. fos.write(size[i]);
136. }
137. }
138. }
139. }catch (FileNotFoundException notFoundE) {
140. sop("找不到该网络图片....");
141. }catch(NullPointerException nullPointerE){
142. sop("找不到该网络图片....");
143. }catch(IOException ioE){
144. sop("产生IO异常.....");
145. }catch (Exception e) {
146. e.printStackTrace();
147. }finally{
148. try {
149. fos.close();
150. } catch (Exception e) {
151. e.printStackTrace();
152. }
153. }
154. }
155. }