多线程实现百度图片爬虫

      由于百度图片采用异步加载的方式，因此不能通过静态标签<img src>匹配找到图片的url，可考虑通过向服务器发送ajax请求的方式下载图片。

      打开360浏览器或Chrom，按F12，切换到Network标签，然后将网页向下拉，观察发现地址栏的网址并没有发生变化，而图片在增加。

  可以发现在下拉过程中会不断出现avatarjson请求，点开请求头信息，分析两个请求URL：

http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=%E5%AE%8B%E4%BD%B3&cg=star&pn=90&rn=30&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=5a

http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=%E5%AE%8B%E4%BD%B3&cg=star&pn=120&rn=30&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=78

变化的地方如下：

word:搜索关键字，要用URL Encode,即非字母字符被替换成%后加两位十六进制数；

pn：每次递增30，每次异步请求可加载30张图片；

gsm: pn的十六进制值；

因此每次请求我们只需改变pn及gsm的值即可，用page对请求页面计数,初次请求时page为0，以后每次请求page加1。

 

将keyword进行URL Encode编码后,可以拼接出page次请求的URL：

http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word="+keyword+"&cg=star&pn="+page*30+"&rn=30&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm="+Integer.toHexString(page*30)

请求返回JSON数据，点击preview标签，找到imgs

发现一张图片有4种URL：fromURL,middleURL,thumbURL,objURL,前三种有反爬措施，因此采用objURL.

 

因此得到图片爬取的流程： 

1）将搜索关键字keyword编码后得到请求地址；

2）得到该请求地址的JSON数据；

3）分析JSON数据匹配出objURL地址；

4）请求此地址下载图片。

 

多线程实现

  为了加快爬取的速度，采用多线程设计。  各个线程同时下载各自请求得到的图片，因此要确保每个线程每次请求时的page不同，因此为page操作要实现同步。

程序如下：

import java.util.List;
import java.util.concurrent.locks.Lock;
import java.util.concurrent.locks.ReentrantLock;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.UnsupportedEncodingException;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLConnection;
import java.net.URLEncoder;
import java.util.ArrayList;

/**
 * @author Administrator
 * 爬取百度图片，百度图片加载方式：异步加载，瀑布流式
 */
public class Crawer
{
	private static int page=-1;	
	private static final String ENCODE="UTF-8";//编码
	private static Lock lock=new ReentrantLock();
	/**
	 * 将中文转换成URL编码
	 * @param keyword	 
	 */
	public static String  encode(String keyword) throws UnsupportedEncodingException 
	{
		return new String(URLEncoder.encode(keyword,ENCODE).getBytes());
	}
	
	public static void main(String[] args) throws UnsupportedEncodingException 
	{
		String name="孙艺珍";
		String downloadPath="F:\\downloadPic\\"+name+"\\";
		String keyword=encode(name);
		for(int i=0;i<8;i++)
		{
			new Thread("Thread--"+i){
				public void run()
				{
					downloadPic(keyword,downloadPath);
				}
				
			}.start();
		}		
	}
	public static void downloadPic(String keyword,String downloadPath)
	{	 
		File path=new File(downloadPath);
		if(!path.exists())
			path.mkdirs();
		while(!Thread.interrupted())
		{
		   lock.lock();
		   try{
		       page++;
		   }finally{
			   lock.unlock();
		   }		   
		   String url="http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word="+keyword+"&cg=star&pn="+page*30+"&rn=30&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm="+Integer.toHexString(page*30);
		   String html=null;
		   try {
			html=getHtml(url);
			List<String> listUrl=getImgeUrl(html);
			download(listUrl,downloadPath);
		} catch (Exception e) {			
			e.printStackTrace();
		}	
	  }
	}
	/**
	 * 获取url页面的内容
	 * @param url
	 * @return
	 * @throws Exception
	 */
	public static String getHtml(String url) throws Exception
	{
		URL uri=new URL(url);
		StringBuffer sb=new StringBuffer();
		URLConnection connection=uri.openConnection();
		InputStream in=connection.getInputStream();
		byte[] buf=new byte[1024];	
		int length=0;
		while((length=in.read(buf,0,buf.length))>0)
			sb.append(new String(buf,ENCODE));
		in.close();		
		return sb.toString();	
	}
	/**
	 * 获取图片URL
	 * @param html
	 * @return 
	 */
	public static List<String> getImgeUrl(String html)
	{
		List<String> listUrl=new ArrayList<String>();
		String reg = "objURL\":\"http://.+?\\.jpg";
		Matcher matcher=Pattern.compile(reg).matcher(html);
		while(matcher.find())
			listUrl.add(matcher.group().substring(9));
		return listUrl;
	}
	public static void download(List<String> listUrl,String downloadPath)
	{		
		for(String  url:listUrl)
		{
			String imageName=url.substring(url.lastIndexOf("/")+1,url.length());
			try {
				URL uri=new URL(url);
				//URLConnection connection=uri.openConnection();
				//HttpURLConnection httpCon=(HttpURLConnection)connection;
				//InputStream in=httpCon.getInputStream();
				InputStream in=uri.openStream();				 
				String file=downloadPath+imageName;
				FileOutputStream fo=new FileOutputStream(new File(file));
				byte[] buf=new byte[1024];
				int length=0;
				while((length=in.read(buf,0,buf.length))!=-1)
					fo.write(buf, 0, length);
				System.out.println(Thread.currentThread().getName()+url+"下载完成！");
				in.close();
				fo.close();
			} catch (FileNotFoundException e1) {				
				System.out.println("无法下载图片！");
			} catch(IOException e2)	{
				System.out.println("发生IO异常！");
			}
		}
	}
}

运行效果：