如何使用Java爬蟲批量爬取圖片
更新時間：2023年04月14日 09:50:37 作者：CrazyDragon_King
這篇文章主要介紹了如何使用Java爬蟲批量爬取圖片,對于爬蟲的入門來說，圖片相對來說是比較容易獲取的，因為大部分圖片都不是敏感數(shù)據(jù)，所以不會遇到什么反爬措施，對于入門爬蟲來說是比較合適的,需要的朋友可以參考下
Java爬取圖片
現(xiàn)在開始學(xué)習(xí)爬蟲，對于爬蟲的入門來說，圖片相對來說是比較容易獲取的，因為大部分圖片都不是敏感數(shù)據(jù)，所以不會遇到什么反爬措施，對于入門爬蟲來說是比較合適的。
使用技術(shù)：Java基礎(chǔ)知識、HttpClient 4.x 、Jsoup
學(xué)習(xí)目標：下載靜態(tài)資源圖片。
爬取思路
對于這種圖片的獲取，其實本質(zhì)上就是就是文件的下載（HttpClient）。但是因為不只是獲取一張圖片，所以還會有一個頁面解析的處理過程（Jsoup）。
Jsoup：解析html頁面，獲取圖片的鏈接。
HttpClient：請求圖片的鏈接，保存圖片到本地。
具體步驟
首先進入首頁分析，主要有以下幾個分類（這里不是全部分類，但是這幾個也足夠了，這只是學(xué)習(xí)技術(shù)而已。），我們的目標就是獲取每個分類下的圖片。
這里來分析一下網(wǎng)站的結(jié)構(gòu)，我這里就簡單一點吧。 下面這張圖片是大致的結(jié)構(gòu)，這里選取一個分類標簽進行說明。 一個分類標簽頁含有多個標題頁，然后每個標題頁含有多個圖片頁。（對應(yīng)標題頁的幾十張圖片）
對網(wǎng)站的結(jié)構(gòu)有了大致了解之后，就可以著 手開始爬取圖片了。 這里還有一個需要注意，大概是前輩們做得太過了，導(dǎo)致這個網(wǎng)站已經(jīng)開始有反爬蟲機制了。不過，幸好它還不是很強大，我們還是可以繞過去的。這個網(wǎng)站的反爬蟲機制主要就是：UA、Referer。
這是從知乎上面學(xué)習(xí)到的經(jīng)驗。
具體代碼
導(dǎo)入項目依賴jar包坐標或者直接下載對應(yīng)的jar包，導(dǎo)入項目也可。
<dependency>
<groupId>org.apache.httpcomponents</groupId>
<artifactId>httpclient</artifactId>
<version>4.5.6</version>
</dependency>
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.3</version>
</dependency>
實體類 Picture 和 工具類 HeaderUtil
實體類：把屬性封裝成一個對象，這樣調(diào)用方便一點。
package com.picture;
public class Picture {
private String title;
private String url;
public Picture(String title, String url) {
this.title = title;
this.url = url;
}
public String getTitle() {
return this.title;
}
public String getUrl() {
return this.url;
}
}
工具類：不斷變換 UA（我也不知道有沒有用，不過我是使用自己的ip，估計用處不大了）
package com.picture;
public class HeaderUtil {
public static String[] headers = {
"Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:30.0) Gecko/20100101 Firefox/30.0",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.75.14 (KHTML, like Gecko) Version/7.0.3 Safari/537.75.14",
"Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Win64; x64; Trident/6.0)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11",
"Opera/9.25 (Windows NT 5.1; U; en)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12",
"Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9",
"Mozilla/5.0 (X11; Linux i686) AppleWebKit/535.7 (KHTML, like Gecko) Ubuntu/11.04 Chromium/16.0.912.77 Chrome/16.0.912.77 Safari/535.7",
"Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:10.0) Gecko/20100101 Firefox/10.0 "
};
}
下載類
多線程實在是太快了，再加上我只有一個ip，沒有代理ip可以用（我也不太了解），使用多線程被封ip是很快的。
package com.picture;
import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStream;
import java.util.Random;
import org.apache.http.HttpEntity;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.util.EntityUtils;
import com.m3u8.HttpClientUtil;
public class SinglePictureDownloader {
private String referer;
private CloseableHttpClient httpClient;
private Picture picture;
private String filePath;
public SinglePictureDownloader(Picture picture, String referer, String filePath) {
this.httpClient = HttpClientUtil.getHttpClient();
this.picture = picture;
this.referer = referer;
this.filePath = filePath;
}
public void download() {
HttpGet get = new HttpGet(picture.getUrl());
Random rand = new Random();
//設(shè)置請求頭
get.setHeader("User-Agent", HeaderUtil.headers[rand.nextInt(HeaderUtil.headers.length)]);
get.setHeader("referer", referer);
System.out.println(referer);
HttpEntity entity = null;
try (CloseableHttpResponse response = httpClient.execute(get)) {
int statusCode = response.getStatusLine().getStatusCode();
if (statusCode == 200) {
entity = response.getEntity();
if (entity != null) {
File picFile = new File(filePath, picture.getTitle());
try (OutputStream out = new BufferedOutputStream(new FileOutputStream(picFile))) {
entity.writeTo(out);
System.out.println("下載完畢：" + picFile.getAbsolutePath());
}
}
}
} catch (ClientProtocolException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} finally {
try {
//關(guān)閉實體，關(guān)于 httpClient 的關(guān)閉資源，有點不太了解。
EntityUtils.consume(entity);
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
這是獲取 HttpClient 連接的工具類，避免頻繁創(chuàng)建連接的性能消耗。（但是因為我這里是使用單線程來爬取，所以用處就不大了。我就是可以只使用一個HttpClient連接來爬取，這是因為我剛開始是使用多線程來爬取的，但是基本獲取幾張圖片就被禁掉了，所以改成單線程爬蟲。所以這個連接池也就留下來了。）
package com.m3u8;
import org.apache.http.client.config.RequestConfig;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.impl.conn.PoolingHttpClientConnectionManager;
public class HttpClientUtil {
private static final int TIME_OUT = 10 * 1000;
private static PoolingHttpClientConnectionManager pcm; //HttpClient 連接池管理類
private static RequestConfig requestConfig;
static {
requestConfig = RequestConfig.custom()
.setConnectionRequestTimeout(TIME_OUT)
.setConnectTimeout(TIME_OUT)
.setSocketTimeout(TIME_OUT).build();
pcm = new PoolingHttpClientConnectionManager();
pcm.setMaxTotal(50);
pcm.setDefaultMaxPerRoute(10); //這里可能用不到這個東西。
}
public static CloseableHttpClient getHttpClient() {
return HttpClients.custom()
.setConnectionManager(pcm)
.setDefaultRequestConfig(requestConfig)
.build();
}
}
最重要的類：解析頁面類 PictureSpider
package com.picture;
import java.io.File;
import java.io.IOException;
import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;
import org.apache.http.HttpEntity;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.util.EntityUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
import com.m3u8.HttpClientUtil;
/**
* 首先從頂部分類標題開始，依次爬取每一個標題（小分頁），每一個標題（大分頁。）
* */
public class PictureSpider {
private CloseableHttpClient httpClient;
private String referer;
private String rootPath;
private String filePath;
public PictureSpider() {
httpClient = HttpClientUtil.getHttpClient();
}
/**
* 開始爬蟲爬?。?
*
* 從爬蟲隊列的第一條開始，依次爬取每一條url。
*
* 分頁爬?。号?0頁
* 每個url屬于一個分類，每個分類一個文件夾
* */
public void start(List<String> urlList) {
urlList.stream().forEach(url->{
this.referer = url;
String dirName = url.substring(22, url.length()-1); //根據(jù)標題名字去創(chuàng)建目錄
//創(chuàng)建分類目錄
File path = new File("D:/DragonFile/DBC/mzt/", dirName); //硬編碼路徑，需要用戶自己指定一個
if (!path.exists()) {
path.mkdir();
rootPath = path.toString();
}
for (int i = 1; i <= 10; i++) { //分頁獲取圖片數(shù)據(jù)，簡單獲取幾頁就行了
this.page(url + "page/"+ 1);
}
});
}
/**
* 標題分頁獲取鏈接
* */
public void page(String url) {
System.out.println("url：" + url);
String html = this.getHtml(url); //獲取頁面數(shù)據(jù)
Map<String, String> picMap = this.extractTitleUrl(html); //抽取圖片的url
if (picMap == null) {
return ;
}
//獲取標題對應(yīng)的圖片頁面數(shù)據(jù)
this.getPictureHtml(picMap);
}
private String getHtml(String url) {
String html = null;
HttpGet get = new HttpGet(url);
get.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.36");
get.setHeader("referer", url);
try (CloseableHttpResponse response = httpClient.execute(get)) {
int statusCode = response.getStatusLine().getStatusCode();
if (statusCode == 200) {
HttpEntity entity = response.getEntity();
if (entity != null) {
html = EntityUtils.toString(entity, "UTf-8"); //關(guān)閉實體？
}
}
else {
System.out.println(statusCode);
}
} catch (ClientProtocolException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return html;
}
private Map<String, String> extractTitleUrl(String html) {
if (html == null) {
return null;
}
Document doc = Jsoup.parse(html, "UTF-8");
Elements pictures = doc.select("ul#pins > li");
//不知為何，無法直接獲取 a[0]，我不太懂這方面的知識。
//那我就多處理一步，這里先放下。
Elements pictureA = pictures.stream()
.map(pic->pic.getElementsByTag("a").first())
.collect(Collectors.toCollection(Elements::new));
return pictureA.stream().collect(Collectors.toMap(
pic->pic.getElementsByTag("img").first().attr("alt"),
pic->pic.attr("href")));
}
/**
* 進入每一個標題的鏈接，再次分頁獲取圖片的鏈接
* */
private void getPictureHtml(Map<String, String> picMap) {
//進入標題頁，在標題頁中再次分頁下載。
picMap.forEach((title, url)->{
//分頁下載一個系列的圖片，每個系列一個文件夾。
File dir = new File(rootPath, title.trim());
if (!dir.exists()) {
dir.mkdir();
filePath = dir.toString(); //這個 filePath 是每一個系列圖片的文件夾
}
for (int i = 1; i <= 60; i++) {
String html = this.getHtml(url + "/" + i);
if (html == null) {
//每個系列的圖片一般沒有那么多，
//如果返回的頁面數(shù)據(jù)為 null，那就退出這個系列的下載。
return ;
}
Picture picture = this.extractPictureUrl(html);
System.out.println("開始下載");
//多線程實在是太快了（快并不是好事，我改成單線程爬取吧）
SinglePictureDownloader downloader = new SinglePictureDownloader(picture, referer, filePath);
downloader.download();
try {
Thread.sleep(1500); //不要爬的太快了，這里只是學(xué)習(xí)爬蟲的知識。不要擾亂別人的正常服務(wù)。
System.out.println("爬取完一張圖片，休息1.5秒。");
} catch (InterruptedException e) {
e.printStackTrace();
}
}
});
}
/**
* 獲取每一頁圖片的標題和鏈接
* */
private Picture extractPictureUrl(String html) {
Document doc = Jsoup.parse(html, "UTF-8");
//獲取標題作為文件名
String title = doc.getElementsByTag("h2")
.first()
.text();
//獲取圖片的鏈接（img 標簽的 src 屬性）
String url = doc.getElementsByAttributeValue("class", "main-image")
.first()
.getElementsByTag("img")
.attr("src");
//獲取圖片的文件擴展名
title = title + url.substring(url.lastIndexOf("."));
return new Picture(title, url);
}
}
啟動類 BootStrap
這里有一個爬蟲隊列，但是我最終連第一個都沒有爬取完，這是因為我計算失誤了，少算了兩個數(shù)量級。但是，程序的功能是正確的。
package com.picture;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
/**
* 爬蟲啟動類
* */
public class BootStrap {
public static void main(String[] args) {
//反爬措施：UA、refer 簡單繞過就行了。
//refer https://www.mzitu.com
//使用數(shù)組做一個爬蟲隊列
String[] urls = new String[] {
"https://www.mzitu.com/xinggan/",
"https://www.mzitu.com/zipai/"
};
// 添加初始隊列，啟動爬蟲
List<String> urlList = new ArrayList<>(Arrays.asList(urls));
PictureSpider spider = new PictureSpider();
spider.start(urlList);
}
}
爬取結(jié)果
注意事項
這里有一個計算失誤，代碼如下：
for (int i = 1; i <= 10; i++) { //分頁獲取圖片數(shù)據(jù)，簡單獲取幾頁就行了
this.page(url + "page/"+ 1);
}
這個 i 的取值過大了，因為我計算的時候失誤了。如果按照這個情況下載的話，總共會下載：4 * 10 * (30-5) * 60 = 64800 張。（每一頁是含有30個標題頁，大概5個是廣告。） 我一開始以為只有幾百張圖片！ 這是一個估計值，但是真實的下載量和這個不會差太多的（沒有數(shù)量級的差距）。所以我下載了一會發(fā)現(xiàn)只下載了第一個隊列里面的圖片。當(dāng)然了，作為一個爬蟲學(xué)習(xí)的程序，它還是很合格的。
這個程序只是用來學(xué)習(xí)的，我設(shè)置每張圖片的下載間隔時間是1.5秒，而且是單線程的程序，所以速度上會顯得很慢。但是那樣也沒有關(guān)系，只要程序的功能正確就行了，應(yīng)該沒有人會真的等到圖片下載完吧。
那估計要好久了：64800*1.5s = 97200s = 27h，這也只是一個粗略的估計值，沒有考慮程序的其他運行時間，不過其他時間可以基本忽略了。
總結(jié)
雖然說Java比較麻煩（相對于python，確實是不夠簡潔了）。但是我們學(xué)習(xí)的是技術(shù)呀，這點小困難還是能克服的，如果你只是想要下載圖片，那還是去看python的爬蟲吧。Java的HttpClient也就夠?qū)W一段時間了，發(fā)現(xiàn)這個東西真的是挺好用的，但是我也只是學(xué)習(xí)了一點點。這個類庫，不僅可以用來寫爬蟲（做爬蟲只是它功能比較強大而已），而且還能做很多有趣的事情。爬蟲，還是很有意思的，有很多有趣的地方，可以讓我們探索。但是，也要注意，本意是學(xué)習(xí)技術(shù)，不能搞破壞。
到此這篇關(guān)于如何使用Java爬蟲批量爬取圖片的文章就介紹到這了,更多相關(guān)Java爬蟲批量爬取圖片內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
談?wù)凧ava中對象,類和this,super,static關(guān)鍵字的使用
對象：對象是類的一個實例，有狀態(tài)和行為。類：類是一個模板，它描述一類對象的行為和狀態(tài)。本文就來和大家聊聊Java中對象,類和關(guān)鍵字的使用，需要的可以參考一下2022-08-08
詳解SpringBoot中@ConditionalOnClass注解的使用
這篇文章主要和大家詳細介紹一下springboot中@ConditionalOnClass注解的用法，文中的示例代碼講解詳細，感興趣的小伙伴可以了解一下2022-08-08
JavaWeb 中Cookie實現(xiàn)記住密碼的功能示例
cookie是一種WEB服務(wù)器通過瀏覽器在訪問者的硬盤上存儲信息的手段。Cookie的目的就是為用戶帶來方便，為網(wǎng)站帶來增值。這篇文章主要介紹了JavaWeb 中Cookie實現(xiàn)記住密碼的功能示例,需要的朋友可以參考下2017-06-06
當(dāng)涉及位操作和位級運算時,Java?提供了一組特殊的運算符,即左移（<<）和右移（>>）運算符,下面小編就帶大家深入了解一下它們的具體應(yīng)用吧2023-08-08
這篇文章主要為大家詳細介紹了java實現(xiàn)上傳文件到服務(wù)器和客戶端，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-01-01
在JSP里，獲取客戶端的IP地址的方法是：request.getRemoteAddr()，這種方法在大部分情況下都是有效的。但是在通過了Apache,Squid等反向代理軟件就不能獲取到客戶端的真實IP地址了2014-04-04
基于springboot設(shè)置Https請求過程解析
這篇文章主要介紹了基于springboot設(shè)置Https請求過程解析,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-08-08
這篇文章主要介紹了Java線程之間的共享與協(xié)作詳解，進程是操作系統(tǒng)進行資源分配的最小單位，線程是進程的一個實體，是CPU調(diào)度和分派的基本單位，它是比經(jīng)常更小的、能夠獨立運行的基本單位2022-07-07
這篇文章主要介紹了Hibernate緩存機制實例代碼解析，介紹了查詢緩存，一級二級緩存等內(nèi)容，分享了相關(guān)代碼示例，小編覺得還是挺不錯的，具有一定借鑒價值，需要的朋友可以參考下2018-02-02
java從命令行獲取數(shù)據(jù)的三種方式代碼實例
這篇文章主要介紹了java從命令行獲取數(shù)據(jù)的三種方式代碼實例,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-12-12