如何使用Java爬蟲批量爬取圖片

本篇內(nèi)容主要講解“如何使用Java爬蟲批量爬取圖片”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“如何使用Java爬蟲批量爬取圖片”吧!

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，這只是學習技術而已。），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)站的結構，我這里就簡單一點吧。 下面這張圖片是大致的結構，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。（對應標題頁的幾十張圖片）

具體代碼

導入項目依賴jar包坐標或者直接下載對應的jar包，導入項目也可。

<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 {
				//關閉實體，關于 httpClient 的關閉資源，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，這里只是學習爬蟲的知識。不要擾亂別人的正常服務。
					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("h4")
				.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。當然了，作為一個爬蟲學習的程序，它還是很合格的。

這個程序只是用來學習的，我設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。但是那樣也沒有關系，只要程序的功能正確就行了，應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。

到此，相信大家對“如何使用Java爬蟲批量爬取圖片”有了更深的了解，不妨來實際操作一番吧！這里是億速云網(wǎng)站，更多相關內(nèi)容可以進入相關頻道進行查詢，關注我們，繼續(xù)學習！