Java爬虫实践

  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。

    package org.amuxia.demo;      import java.sql.Connection;      import java.sql.DriverManager;      import java.sql.PreparedStatement;      import java.sql.SQLException;      public class JDBCHelper {          private static final String driver = "com.mysql.jdbc.Driver";          private static final String DBurl = "jdbc:mysql://127.0.0.1:3306/edupic";          private static final String user = "root";          private static final String password = "root";          private PreparedStatement pstmt = null;          private Connection spiderconn = null;          public void insertFilePath(String fileName, String filepath, String url) {              try {                  Class.forName(driver);                  spiderconn = DriverManager.getConnection(DBurl, user, password);                  String sql = "insert into FilePath (filename,filepath,url) values (?,?,?)";                  pstmt = spiderconn.prepareStatement(sql);                  pstmt.setString(1, fileName);                  pstmt.setString(2, filepath);                  pstmt.setString(3, url);                  pstmt.executeUpdate();              } catch (ClassNotFoundException e) {                  // TODO Auto-generated catch block                  e.printStackTrace();              } catch (SQLException e) {                  e.printStackTrace();              } finally {                  try {                      pstmt.close();                      spiderconn.close();                  } catch (Exception e) {                      // TODO Auto-generated catch block                      e.printStackTrace();                  }              }          }      }  

第二步，创建解析URL的类，进行爬取

    package org.amuxia.demo;      import java.io.BufferedReader;      import java.io.File;      import java.io.FileOutputStream;      import java.io.InputStream;      import java.io.InputStreamReader;      import java.io.PrintWriter;      import java.net.URL;      import java.net.URLConnection;      import java.util.ArrayList;      import java.util.Hashtable;      import java.util.regex.Matcher;      import java.util.regex.Pattern;      public class GetWeb {          private int webDepth = 5; // 爬虫深度          private int intThreadNum = 1; // 线程数          private String strHomePage = ""; // 主页地址          private String myDomain; // 域名          private String fPath = "CSDN"; // 储存网页文件的目录名          private ArrayList<String> arrUrls = new ArrayList<String>(); // 存储未处理URL          private ArrayList<String> arrUrl = new ArrayList<String>(); // 存储所有URL供建立索引          private Hashtable<String, Integer> allUrls = new Hashtable<String, Integer>(); // 存储所有URL的网页号          private Hashtable<String, Integer> deepUrls = new Hashtable<String, Integer>(); // 存储所有URL深度          private int intWebIndex = 0; // 网页对应文件下标，从0开始          private long startTime;          private int webSuccessed = 0;          private int webFailed = 0;          public static void main(String[] args) {              GetWeb gw = new GetWeb("http://www.csdn.net/");              gw.getWebByHomePage();          }          public GetWeb(String s) {              this.strHomePage = s;          }          public GetWeb(String s, int i) {              this.strHomePage = s;              this.webDepth = i;          }          public synchronized void addWebSuccessed() {              webSuccessed++;          }          public synchronized void addWebFailed() {              webFailed++;          }          public synchronized String getAUrl() {              String tmpAUrl = arrUrls.get(0);              arrUrls.remove(0);              return tmpAUrl;          }          public synchronized String getUrl() {              String tmpUrl = arrUrl.get(0);              arrUrl.remove(0);              return tmpUrl;          }          public synchronized Integer getIntWebIndex() {              intWebIndex++;              return intWebIndex;          }          /**         * 由用户提供的域名站点开始，对所有链接页面进行抓取         */          public void getWebByHomePage() {              startTime = System.currentTimeMillis();              this.myDomain = getDomain();              if (myDomain == null) {                  System.out.println("Wrong input!");                  return;              }              System.out.println("Homepage = " + strHomePage);              System.out.println("Domain = " + myDomain);              arrUrls.add(strHomePage);              arrUrl.add(strHomePage);              allUrls.put(strHomePage, 0);              deepUrls.put(strHomePage, 1);              File fDir = new File(fPath);              if (!fDir.exists()) {                  fDir.mkdir();              }              System.out.println("开始工作");              String tmp = getAUrl(); // 取出新的URL              this.getWebByUrl(tmp, allUrls.get(tmp) + ""); // 对新URL所对应的网页进行抓取              int i = 0;              for (i = 0; i < intThreadNum; i++) {                  new Thread(new Processer(this)).start();              }              while (true) {                  if (arrUrls.isEmpty() && Thread.activeCount() == 1) {                      long finishTime = System.currentTimeMillis();                      long costTime = finishTime - startTime;                      System.out.println("\n\n\n\n\n完成");                      System.out.println(                              "开始时间 = " + startTime + "   " + "结束时间 = " + finishTime + "   " + "爬取总时间= " + costTime + "ms");                      System.out.println("爬取的URL总数 = " + (webSuccessed + webFailed) + "   成功的URL总数: " + webSuccessed                              + "   失败的URL总数: " + webFailed);                      String strIndex = "";                      String tmpUrl = "";                      while (!arrUrl.isEmpty()) {                          tmpUrl = getUrl();                          strIndex += "Web depth:" + deepUrls.get(tmpUrl) + "   Filepath: " + fPath + "/web"                                  + allUrls.get(tmpUrl) + ".htm" + "url:" + tmpUrl + "\n\n";                      }                      System.out.println(strIndex);                      try {                          PrintWriter pwIndex = new PrintWriter(new FileOutputStream("fileindex.txt"));                          pwIndex.println(strIndex);                          pwIndex.close();                      } catch (Exception e) {                          System.out.println("生成索引文件失败!");                      }                      break;                  }              }          }          /**         * 对后续解析的网站进行爬取         *           * @param strUrl         * @param fileIndex         */          public void getWebByUrl(String strUrl, String fileIndex) {              try {                  System.out.println("通过URL得到网站: " + strUrl);                  URL url = new URL(strUrl);                  URLConnection conn = url.openConnection();                  conn.setDoOutput(true);                  InputStream is = null;                  is = url.openStream();                  String filename = strUrl.replaceAll("/", "_");                  filename = filename.replace(":", ".");                  if (filename.indexOf("*") > 0) {                      filename = filename.replaceAll("*", ".");                  }                  if (filename.indexOf("?") > 0) {                      filename = filename.replaceAll("?", ".");                  }                  if (filename.indexOf("\"") > 0) {                      filename = filename.replaceAll("\"", ".");                  }                  if (filename.indexOf(">") > 0) {                      filename = filename.replaceAll(">", ".");                  }                  if (filename.indexOf("<") > 0) {                      filename = filename.replaceAll("<", ".");                  }                  if (filename.indexOf("|") > 0) {                      filename = filename.replaceAll("|", ".");                  }                  String filePath = fPath + "\\" + filename;                  File file = new File(filePath);                  if (!file.exists()) {                      file.mkdir();                  }                  JDBCHelper helper = new JDBCHelper();                  helper.insertFilePath(filename, filePath, strUrl);                  GetPicture getp = new GetPicture();                  getp.get(strUrl, filePath);                  BufferedReader bReader = new BufferedReader(new InputStreamReader(is));                  StringBuffer sb = new StringBuffer();                  String rLine = null;                  String tmp_rLine = null;                  while ((rLine = bReader.readLine()) != null) {                      tmp_rLine = rLine;                      int str_len = tmp_rLine.length();                      if (str_len > 0) {                          sb.append("\n" + tmp_rLine);                          if (deepUrls.get(strUrl) < webDepth)                              getUrlByString(tmp_rLine, strUrl);                      }                      tmp_rLine = null;                  }                  is.close();                  System.out.println("获取网站成功 " + strUrl);                  addWebSuccessed();              } catch (Exception e) {                  System.out.println("获取网站失败，请检查URL是否存在 " + strUrl);                  addWebFailed();              }          }          /**         * 判断用户所提供URL是否为域名地址         *           * @return         */          public String getDomain() {              String reg = "(?<=http\\://[a-zA-Z0-9]{0,100}[.]{0,1})[^.\\s]*?\\.(com|cn|net|org|biz|info|cc|tv|edu)";              Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);              Matcher m = p.matcher(strHomePage);              boolean blnp = m.find();              if (blnp == true) {                  return m.group(0);              }              return null;          }          /**         * 解析新的网页，提取其中含有的链接信息         *           * @param inputArgs         * @param strUrl         */          public void getUrlByString(String inputArgs, String strUrl) {              String tmpStr = inputArgs;              String regUrl = "(?<=(href=)[\"]?[\']?) + myDomain + ")[^\\s\"\'>]*";              Pattern p = Pattern.compile(regUrl, Pattern.CASE_INSENSITIVE);              Matcher m = p.matcher(tmpStr);              boolean blnp = m.find();              while (blnp == true) {                  if (!allUrls.containsKey(m.group(0))) {                      System.out.println("Find a new url,depth:" + (deepUrls.get(strUrl) + 1) + " " + m.group(0));                      arrUrls.add(m.group(0));                      arrUrl.add(m.group(0));                      allUrls.put(m.group(0), getIntWebIndex());                      deepUrls.put(m.group(0), (deepUrls.get(strUrl) + 1));                  }                  tmpStr = tmpStr.substring(m.end(), tmpStr.length());                  m = p.matcher(tmpStr);                  blnp = m.find();              }          }          /**         * @author amuxia 另一个独立的爬取线程         */          class Processer implements Runnable {              GetWeb gw;              public Processer(GetWeb g) {                  this.gw = g;              }              public void run() {                  while (!arrUrls.isEmpty()) {                      String tmp = getAUrl();                      getWebByUrl(tmp, allUrls.get(tmp) + "");                  }              }          }      }

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

    package org.amuxia.demo;      import java.io.BufferedInputStream;      import java.io.BufferedReader;      import java.io.File;      import java.io.FileOutputStream;      import java.io.IOException;      import java.io.InputStreamReader;      import java.net.URL;      import java.util.regex.Matcher;      import java.util.regex.Pattern;      public class GetPicture {          public void getHtmlPicture(String httpUrl, String filePath) {              URL url;              BufferedInputStream in;              FileOutputStream file;              try {                  System.out.println("爬取网络图片");                  // 获取图片名                  String fileName = httpUrl.substring(httpUrl.lastIndexOf("/")).replace("/", "");                  // 初始化url对象                  url = new URL(httpUrl);                  // 初始化in对象，也就是获得url字节流                  in = new BufferedInputStream(url.openStream());                  file = new FileOutputStream(new File(filePath + "\\" + fileName));                  int t;                  while ((t = in.read()) != -1) {                      file.write(t);                  }                  file.close();                  in.close();                  System.out.println("图片爬取成功");              } catch (Exception e) {                  e.printStackTrace();              }          }          public String getHtmlCode(String httpUrl) throws IOException {              String content = "";              URL url = new URL(httpUrl);              BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream()));              String input;              // 如果有数据              while ((input = reader.readLine()) != null) {                  // 将读取数据赋给content                  content += input;              }              // 关闭缓冲区              reader.close();              // 返回content              return content;          }          /**         * 图片爬取方法         *           * @param url         * @throws IOException         */          public void get(String url, String filePath) throws IOException {              // 定义两个获取网页图片的正则表达式              String searchImgReg = "(?x)(src|SRC|background|BACKGROUND)=('|\")/?(([\\w-]+/)*([\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";              String searchImgReg2 = "(?x)(src|SRC|background|BACKGROUND)=('|\")              String content = this.getHtmlCode(url);              Pattern pattern = Pattern.compile(searchImgReg);              Matcher matcher = pattern.matcher(content);              while (matcher.find()) {                  System.out.println(matcher.group(3));                  this.getHtmlPicture(url + "/" + matcher.group(3), filePath);              }              pattern = Pattern.compile(searchImgReg2);              matcher = pattern.matcher(content);              while (matcher.find()) {                  System.out.println(matcher.group(3));                  this.getHtmlPicture(matcher.group(3), filePath);              }          }      }

这样就完成了!

        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。

原标题：Java爬虫实践

关键词：JAVA