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。

    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=)[\"]?[\']?)[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

    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);  

            }  

        }  
    }

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。