Java网络爬虫实战案例一

紧接我们上次的问题，如何获取服务器发送的资源，保存到本地？上一篇文章见java网络爬虫核心原理。

一、Java IO流三分游（input,output）

  我们知道计算机是用来处理数据的。所有的程序，多媒体资源，在计算机内部都是以二进制形式存放的（本质是电荷的有无，磁场的有无，高低电压。高低、有无、这些形式被抽象成0或1，二进制数据，这是由硬件的物理特性决定的）。
  拿我们经常看的电影为例：电影从硬盘被加载到内存，经播放器解码处理后在显示器上播放显示。这个过程中，电影（数据）从磁盘被读取到了内存。下载这个电影的时候，数据从网络（服务器）被读取到内存，然后由相应的下载程序写入到硬盘。
  我们平常用电脑所做的操作，基本都离不开数据从硬盘到内存、从内存到网络（另一台设备）、从网络到内存、从内存到硬盘等的转换。也就是说数据从一个地方转移到另一个地方，是很常见的操作。Java经过高度的抽象，运用面向对象的思想，配合优秀的设计模式，为我们提供了相应的处理类，答案就是Java 的IO包。
  名字起得很形象，IO流，数据从一个地方转移到另一个地方，两地之间就像连了一根水管，数据经水管从一个地方流到另一个地方。
  IO流可分为两大类——字节流和字符流。字节流以二进制比特位的形式传输数据，字符流通过相应的编码，专门用来传输文本数据。但是字符流本质还是对字节流的包装。
  鉴于网络数据的传输大多是以字节形式传输的，我们这里主要关注IO流中字节流部分。

字节流

  java提供两个接口，表示字节数据从一个地方（网络、内存、硬盘）的输入与输出（流入与流出）。那么，我们上次留下的问题就是，找到一种对应操作的类，让数据从网络，流向本地硬盘，保存为文件。

二、通过Java IO流实现数据从网络到本地的转移

Demo1,爬取必应首页背景图

/**
	 * 把URL标识的网络资源保存到本地文件
	 * @param url 访问的URL资源
	 * @param is  网络连接的输入流
	 * @author luckyriver
	 */
	public static void main(String[] args) {
		URL url=null;
		InputStream is=null;
		try {
			//以必应首页图片为例
			url = new URL
			("https://cn.bing.com/th?id=OHR.Montreux_ZH-CN5485205583_1920x1080.jpg&rf=LaDigue_1920x1080.jpg");
			is=url.openConnection().getInputStream();//得到输入流
		} catch (Exception e1) {
			e1.printStackTrace();
		}
		
		//建立缓冲输入流，包装得到的普通输入流
		try(
			BufferedInputStream bif=new BufferedInputStream(is);
			/*
			建立缓冲输出流，包装文件输出流，写入数据到磁盘文件，起名为“1.jpg”,路径为项目路径
			文件保存格式为jpg(或者jpeg)
			*/
			BufferedOutputStream bof=
					new BufferedOutputStream(
						new FileOutputStream(
							new File("1.jpg")
							)
						)
			)
		
		{//读写流程
			int len;
			byte[] buffer=new byte[1024*10];
	        while (-1!=(len=bif.read(buffer))) {
	        	bof.write(buffer, 0, len);
	        }
	        bof.flush();
		} catch (Exception e) {
			e.printStackTrace();
		}
	}

运行代码，刷新我们的项目，可以在我们的项目目录下看到对应文件：

打开查看：

Demo2,获取必应首页H5文件

public static void main(String[] args) {
		URL url=null;
		InputStream is=null;
		try {
			//以百度首页为例
			url = new URL
			("https://cn.bing.com");
			is=url.openConnection().getInputStream();//得到输入流
		} catch (Exception e1) {
			e1.printStackTrace();
		}
		
		//建立缓冲输入流，包装得到的普通输入流
		try(
			BufferedInputStream bif=new BufferedInputStream(is);
			//建立缓冲输出流，包装文件输出流，写入数据到磁盘文件，
			//资源类型为html文件，起名为“1.html”,路径为项目路径
			BufferedOutputStream bof=
					new BufferedOutputStream(
						new FileOutputStream(
							new File("1.html")
							)
						)
			)
			
		{//读写流程
			int len;
			byte[] buffer=new byte[1024*10];
	        while (-1!=(len=bif.read(buffer))) {
	        	bof.write(buffer, 0, len);
	        }
	        bof.flush();
		} catch (Exception e) {
			e.printStackTrace();
		}
	}

运行后刷新项目，打开名为1.html 的文件：

---

  进行到这里，我们应该对爬虫有了更深的了解——通过代码模拟浏览器向服务器请求资源，可以选择把服务器响应的资源读到内存，进行数据分析，也可以选择把数据保存资源到本地磁盘。
  但是，可能你也发现了，我总不能每次都手动输入URL吧？这样的话还不如直接用浏览器呢！但是，我们知道，URL一般都在网页里面的超链接里，我们整个网页都能得到，还怕得不到链接（URL）吗？如下：

  接下来的问题是，如何从网页里获取资源链接（URL）。下次我会整理出一个小案例，并介绍相关工具的使用。