Java爬虫实践--爬取CSDN网站图片为例

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 plaincopy  
 print?
 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

[java] view plaincopy  
 print?
 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=)[\"]?[\']?)[http://][^\\s\"\'\\?]*(" + 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

[java] view plaincopy  
 print?
 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)=('|\")(http://([\\w-]+\\.)+[\\w-]+(:[0-9]+)*(/[\\w-]+)*(/[\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";  
   
         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);  
   
         }  
   
     }  
 }  