JAVA 实现网络爬虫

JAVA网络爬虫

https://tieba.baidu.com/p/2256306796?red_tag=1781367364
上边连接为百度壁纸贴吧，编写程序从网上能把所有壁纸爬到本地。
图片元素的源代码例子为：

<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=43e292947c1ed21b79c92eed9d6fddae/6bfab2fb43166d228b3c16f2472309f79052d20a.jpg" width="560" height="314" pic_type="0">

思路：
1.使用url这个类建立网络连接并发送请求。
2.读取链接的html网页
3.从读取的网页中查找img元素
4.从查找到的img元素中提取http地址
5.从提取到的地址下载图片
为了能够高效的下载图片，可以使用多线程的方式，每找到一个图片地址就让一个线程取处理它。
首先，写一个任务类，给定网络地址和本地地址，能够从网络下载图片到本地

public class task implements Runnable {
   String s1;//网络地址
   String s2;//图片编号

    public task(String s1, String s2) {
        this.s1 = s1;
        this.s2 = s2;
    }

    @Override
    public void run() {
        try {
            HttpURLConnection connection = (HttpURLConnection)
                    new URL(s1).openConnection();//建立连接
            InputStream in = connection.getInputStream();
            FileOutputStream image = new FileOutputStream("图片/"+s2+".gif");//根本图片编号生成本地地址
            byte[] buf = new byte[1024*8];
            while(true) {//读取图片字节
                int len = in.read(buf);
                if(len == -1) {
                    break;
                }
                image.write(buf, 0, len);//存储到本地
            }
            image.close();
            System.out.println("已爬到"+s2+"张图");
            Thread thread =Thread.currentThread();
            thread.stop();
        }catch (IOException e) {
            e.printStackTrace();
        }
    }
}

下来写程序能够从读取网络Html代码并且能够找到所有图片地址，并调用该任务类下载图片。

public class copyPicture {
    public static void main (String[] args) throws IOException {
        ExecutorService service = new ThreadPoolExecutor(10, 10, 0, TimeUnit.SECONDS,
                new LinkedBlockingQueue<>());
        //https://tieba.baidu.com/p/2256306796?red_tag=1781367364
        //<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=43e292947c1ed21b79c92eed9d6fddae/6bfab2fb43166d228b3c16f2472309f79052d20a.jpg" width="560" height="314" pic_type="0">
        HttpURLConnection connection = (HttpURLConnection)
                new URL("https://tieba.baidu.com/p/2256306796?red_tag=1781367364").openConnection();
        InputStream in = connection.getInputStream();
        BufferedReader reader = new BufferedReader(new InputStreamReader(in));
        int i=1;
        String l;
        StringBuffer s=new StringBuffer("");
        while((l=reader.readLine())!=null) {
            s.append(new String(l));
        }
       // System.out.println(s);
        File file=new File("图片");
        file.mkdir();
        int current=0;
        while((current=s.indexOf("<img class=\"BDE_Image\"",current))!=-1){

            int end=s.indexOf(">",current);
            current++;
            String s1=s.substring(current,end);
            int current1=s1.indexOf("https:");
            int ends1=-1;
            String s2="";
            if(current1!=-1){
                ends1=s1.indexOf("\"",current1);
                s2=s1.substring(current1,ends1);
                service.submit(new task(s2, String.valueOf(i++)));
            }
        }
        service.shutdown();

    }
}

上边例子中，在查找图片元素时，截取了两次字符串，第一次使用indexOf()找到img标签，并将标签截取下来，第二次找到img标签中的http地址。最后将地址交给线程去处理。
其实还可以采用正则表达式来匹配img标签中的Http地址

static final Pattern PATTERN = Pattern.compile("<img class=\"BDE_Image\" src=\"(.*?)\">");
while (matcher.find()) {
            // 获取图片的路径
            String imageURL = matcher.group(1);
            service.submitnew task(imageURL, String.valueOf(i++))
        }