java的简单网络爬虫（爬取花瓣网的图片）

Posted 2021-11-28 zengtao614

 

因为本人对爬虫比较感兴趣，加上之前也写过一些简单的python爬虫，所以在学完java基础后写了一个简单的网络图片爬虫。废话不多说直接上过程代码。（爬取的图源来自花瓣网：https://huaban.com/boards/favorite/beauty/）

源url页面分析

拿到爬取的源url，首先是分析页面哪些东西是要爬取的，这个页面是美女分类的画板页面，这里我们要爬的就是要爬取某个画板下面的所有图片。这里为了简单爬取我就选取了该页面推荐的几个画板。查看本页面源码可以很快找到推荐画板的url资源，如下图。

可以看到要爬取目标资源就存在这个app.page["suggests"]里面，可以通过正则拿到这些url，然后依次去访问这些url，得到画板页面。

画板url的爬取

 这里先写一个静态的获取页面html的方法

public static StringBuffer getHtml(String url) throws Exception{
        URL url1 = new URL(url);
        URLConnection connection = url1.openConnection();
        InputStream is = connection.getInputStream();
        BufferedReader bw = new BufferedReader(new InputStreamReader(is));
        StringBuffer sb = new StringBuffer();
        while (bw.ready()){
            sb.append(bw.readLine()).append("\\n");
        }
        bw.close();
        is.close();
        return sb;
    }

编写爬取画板url的正则，如下

tring suggestsRegex = "app.page\\\\[\\"suggests\\"\\\\] = \\\\{.*\\\\}";
        String urlRegex = "\\"url\\":\\".*?\\"";
        StringBuffer html = Util.getHtml("https://huaban.com/boards/favorite/beauty/");
        Matcher suggestsMatcher = Pattern.compile(suggestsRegex).matcher(html);
        while (suggestsMatcher.find()){
            Matcher urlMatcher = Pattern.compile(urlRegex).matcher(suggestsMatcher.group());
            while (urlMatcher.find()){
                System.out.println(urlMatcher.group());
            }
        }

可以得到下面的结果：

但是这些url并不全是我们需要的画板url，比如上面第三条url会跳转到另一个分类页面，而且有些url协议为http有些为https，这里测试发现协议为http的都会重定向到其对应的https页面，所以这里我们为了方便提取url，只提取目标中的画板id，就是数字部分，然后手动添加其余的部分，修改上面的部分代码如下。

while (urlMatcher.find()) {
//                System.out.println(urlMatcher.group());
                String urlStr = urlMatcher.group();
                if (urlStr.contains("boards")) {
                    Matcher matcherId = Pattern.compile("[\\\\d]+").matcher(urlStr);
                    String id = "";
                    while (matcherId.find()) {
                        id = matcherId.group();
                    }
                    String url = "https://huaban.com/boards/" + id;
                    System.out.println(url);
                }
            }

此时就得到了推荐画板的url了。

画板页面分析

 这里用getHtml方法得到的画板页面html和在浏览器中查看的源码并不相同，其中源码部分的script代码被解析为了html代码被返回回来了。所以这里我们只能看控制台打印回来的代码来找到图片的url。此处就不作太多介绍，具体可自行尝试查看。

图片url的爬取

这里也是采用正则来爬（网上有选择器的方法来爬取目标资源，可自行百度），先是获取所有img标签的内容再进一步正则查询其中符合图片url特征的内容。如下

String  get_img_regex = "<img src=\\"//hbimg.*?/>";
        String  get_src_regex = "\\"//hbimg.huabanimg.com/.*?\\"";
        StringBuffer html = Util.getHtml("https://huaban.com/boards/17375733");
        Matcher matcherImg = Pattern.compile(get_img_regex).matcher(html);
        while (matcherImg.find()){
            Matcher matcherSrc = Pattern.compile(get_src_regex).matcher(matcherImg.group());
            while (matcherSrc.find()){
                System.out.println(matcherSrc.group());
            }
        }

通过测试发现末尾位sq75sf的是头像图url，末尾为fw236的才是我们需要的图片url，不过是小图，我们发现大图（浏览器上点开单个图片页面即可查看大图url）的url只有末尾参数与小图url不同（大图末尾是fw658），修改上面部分代码如下

while (matcherSrc.find()){
                String srcStr = matcherSrc.group();
                if (srcStr.contains("fw236")){
                    String srcUrl = srcStr.substring(1,srcStr.length()-1).replace("fw236","fw658");
                    System.out.println(srcUrl);
                }
            }

最后将得到的数据用列表封装并返回即可。

图片下载

URL url = new URL("http://hbimg.huabanimg.com/3bd402c57a727148fce86c193c9d5e93fb48b14b4d760-wF9Y7Z_fw658");
        InputStream is = url.openStream();
        FileOutputStream fos = new FileOutputStream("src/test.png");
        byte buf[] = new byte[1024];
        int length = 0;
        while ((length=is.read(buf))!=-1){
            fos.write(buf,0,length);
        }
        fos.close();
        is.close();

代码优化与完善

这里简单的说一下程序优化的方案。由于有多个画板，所以每个画板可以开启一个线程进行爬取。还有就是每个画板大约只能爬到40张左右图片，那是因为页面采用Ajax加载资源(这个我也不太懂，可自行百度)，可用代码模拟加载数据进而获取到所有图片。（这里每次加载请求的参数是每个页面最后一张图片的id，可自行尝试完成）

 

写在最后

 因为本人还是个java初学者菜鸟，所以代码肯定是有漏洞和不足的地方欢迎大家指出共同学习，谢谢。

项目源码：https://github.com/zengtao614/JavaCrawler