第一步，实现 linkQueue，对url进行过滤和存储的操作
import java.util.ArrayList;
import java.util.Collections;
import java.util.HashSet;
import java.util.List;
import java.util.Set;
public class linkQueue {
// 已访问的 url 集合
private static Set visitedUrl = Collections.synchronizedSet(new HashSet());
// 未访问的url
private static List unVisitedUrl = Collections.synchronizedList(new ArrayList());
// 未访问的URL出队列
public static String unVisitedUrlDeQueue() {
if (unVisitedUrl.size() > 0) {
String url = unVisitedUrl.remove(0);
visitedUrl.add(url);
return url;
}
return null;
}
// 新的url添加进来的时候进行验证，保证只是添加一次
public static void addUnvisitedUrl(String url) {
if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
&& !unVisitedUrl.contains(url))
unVisitedUrl.add(url);
}
// 判断未访问的URL队列中是否为空
public static boolean unVisitedUrlsEmpty() {
return unVisitedUrl.isEmpty();
}
}
第二步，收集每一个url下的链接进行过滤产生新的链接
import java.util.HashSet;
import java.util.Set;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.filters.OrFilter;
import org.htmlparser.tags.linkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
public class ParserHttpUrl {
// 获取一个网站上的链接,filter 用来过滤链接
public static Set extraclinks(String url, linkFilter filter) {
Set links = new HashSet();
try {
Parser parser = new Parser(url);
// 过滤 标签的 filter，用来提取 frame 标签里的 src 属性所表示的链接
NodeFilter frameFilter = new NodeFilter() {
public boolean accept(Node node) {
if (node.getText().startsWith("frame src=")) {
return true;
} else {
return false;
}
}
};
// OrFilter 来设置过滤 标签，和 标签
OrFilter linkFilter = new OrFilter(new NodeClassFilter(
linkTag.class), frameFilter);
// 得到所有经过过滤的标签
NodeList list = parser.extractAllNodesThatMatch(linkFilter);
for (int i = 0; i < list.size(); i++) {
Node tag = list.elementAt(i);
if (tag instanceof linkTag)// 标签
{
linkTag link = (linkTag) tag;
String linkUrl = link.getlink();// url
if (filter.accept(linkUrl))
links.add(linkUrl);
} else// 标签
{
// 提取 frame 里 src 属性的链接如
String frame = tag.getText();
int start = frame.indexOf("src=");
frame = frame.substring(start);
int end = frame.indexOf(" ");
if (end == -1)
end = frame.indexOf(">");
String frameUrl = frame.substring(5, end - 1);
if (filter.accept(frameUrl))
links.add(frameUrl);
}
}
} catch (ParserException e) {
e.printStackTrace();
}
return links;
}
}
第三步，实现图片下载功能
import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.net.URL;
import java.net.URLConnection;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class DownLoadPic {
// 编码
private static final String ECODING = "UTF-8";
// 获取img标签正则
private static final String IMGURL_REG = "]*?>";
// 获取src路径的正则
private static final String IMGSRC_REG = "http:"?(.*?)("|>|\s+)";
public static void downloadPic(String url) {
// 获得html文本内容
String HTML = null;
try {
HTML = DownLoadPic.getHTML(url);
} catch (Exception e) {
e.printStackTrace();
}
if (null != HTML && !"".equals(HTML)) {
// 获取图片标签
List imgUrl = DownLoadPic.getImageUrl(HTML);
// 获取图片src地址
List imgSrc = DownLoadPic.getImageSrc(imgUrl);
// 下载图片
DownLoadPic.download(imgSrc);
}
}
private static String getHTML(String url) throws Exception {
URL uri = new URL(url);
URLConnection connection = uri.openConnection();
InputStream in = connection.getInputStream();
byte[] buf = new byte[1024];
int length = 0;
StringBuffer sb = new StringBuffer();
while ((length = in.read(buf, 0, buf.length)) > 0) {
sb.append(new String(buf, ECODING));
}
in.close();
return sb.toString();
}
private static List getImageUrl(String HTML) {
Matcher matcher = Pattern.compile(IMGURL_REG).matcher(HTML);
List listImgUrl = new ArrayList();
while (matcher.find()) {
listImgUrl.add(matcher.group());
}
return listImgUrl;
}
private static List getImageSrc(List listImageUrl) {
List listImgSrc = new ArrayList();
for (String image : listImageUrl) {
Matcher matcher = Pattern.compile(IMGSRC_REG).matcher(image);
while (matcher.find()) {
listImgSrc.add(matcher.group().substring(0,
matcher.group().length() - 1));
}
}
return listImgSrc;
}
private static void download(List listImgSrc) {
for (String url : listImgSrc) {
try {
String imageName = url.substring(url.lastIndexOf("/") + 1,
url.length());
URL uri = new URL(url);
InputStream in = uri.openStream();
FileOutputStream fo = new FileOutputStream(new File(imageName));
byte[] buf = new byte[1024];
int length = 0;
while ((length = in.read(buf, 0, buf.length)) != -1) {
fo.write(buf, 0, length);
}
in.close();
fo.close();
} catch (Exception e) {
e.printStackTrace();
}
}
}
}
实在Filter接口，定义过滤接口：
public interface Filter {
public boolean accept(String url);
}
第四步，过滤规则的实现：
public class Crawler {
public void crawling(String url) { // 定义过滤器
Filter filter = new Filter() {
public boolean accept(String url) {
//这里过滤规则随需要爬的网站的规则进行改变，推荐使用正则实现，本人是爬豆瓣网站
if(url.indexOf("douban.com/group/topic") != -1 || url.indexOf("douban.com/group/haixiuzu/discussion?start") != -1 )
return true;
else
return false;
}
};
// 初始化 URL 队列
linkQueue.addUnvisitedUrl(url);
// 循环条件，待抓取的链接不空
while (!linkQueue.unVisitedUrlsEmpty()) {
// 队头URL出队列
String visitUrl = (String) linkQueue.unVisitedUrlDeQueue();
if (visitUrl == null)
continue;
DownLoadPic.downloadPic(visitUrl);
// 提取出下载网页中的 URL
Set links = ParserHttpUrl.extraclinks(visitUrl, filter);
// 新的未访问的 URL 入队
for (String link : links) {
linkQueue.addUnvisitedUrl(link);
}
}
}
// main 方法入口
public static void main(String[] args) {
Crawler crawler = new Crawler();
crawler.crawling("http://www.douban.com/group/haixiuzu/discussion?start=0");
}
}
总结
以上所述是小编给大家介绍的java实现爬虫爬网站图片的实例代码，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对考高分网网站的支持！
