手把手教你从零开始用Java写爬虫

    

本文将手把手地教大家从零开始用Java写一个简单地爬虫！

 

目标

    爬取全景网图片，并下载到本地

 

收获

    通过本文，你将复习到：

• IDEA创建工程

• IDEA导入jar包

• 爬虫的基本原理

• Jsoup的基本使用

• File的基本使用

• FileOutputStream的基本使用

• ArrayList的基本使用

• foreach的基本使用​

 

说明

    爬虫所用的HTM解析器为Jsoup。Jsoup可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

    Jsoup相关API整理见文末附录一。
 

开始

一、前端分析

1、使用Chrome或其他浏览器，打开全景网，按F12进入调试模式，分析网页结构。（这里选的是“创意”=>“优山美地”）

 

2、找规律，看图片对应的结构是什么。可以发现，每个图片的结构都如下图红框所示。

 

3、找到结构后再找图片链接。进一步分析后发现，图片链接可以是下图红框部分。

 

4、复制到浏览器打开看看验证下。（好吧，访问这个URL直接给我下载了...）

 

5、前端部分分析完毕，接下来就可以用Java编码了！

 

二、爬取思路

    通过Java向全景网发送GET请求，以获取HTML文件。Jsoup解析后寻找class=item lazy的a标签，他的child节点(即<img>)就是我们要找的目标节点了，搜索到的应当是一个ArrayList。然后遍历集合，从中搜寻图片的URL，并下载到本地保存。（更深一步，可以下载完一页后，继续下载后一页，直至全部下完。本文直讲下载第一页。提示一下，链接后面的topic/1其实就是当前页数）

 

三、Java编码

1、先下载Jsoup jar包，并导入到IDEA工程中。

 

2、新建Java工程。

 

3、简单测试下get请求，若请求成功，则进入下一步；若报错，检查URL是否带了中文。

package com.sxf;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;​public class Main {    public static void main(String[] args) {        try {            Document doc = Jsoup.connect("https://www.quanjing.com/creative/topic/1").get();            System.out.println(doc);        }catch (Exception e){            e.printStackTrace();        }    }}

 

4、寻找class为item lazy的元素,找到他的child节点，返回ArrayList。并将图片的URL单独提取出来。

public static void main(String[] args) {        try {            Document doc = Jsoup.connect("https://www.quanjing.com/creative/topic/1").get();            // 寻找class为item lazy的元素,返回ArrayList。            Elements items = doc.getElementsByClass("item lazy");            ArrayList<String> URLS = new ArrayList<>();            for (Element i : items) {                // 将图片的URL单独提取出来。                URLS.add(i.child(0).attr("src"));            }            for (String str : URLS) {                System.out.println(str);            }        }catch (Exception e){            e.printStackTrace();        }    }

 

5、我们先尝试用Jsoup下载一张图片试试效果。

// 获取responseConnection.Response imgRes = Jsoup.connect(URLS.get(0)).ignoreContentType(true).execute();FileOutputStream out = (new FileOutputStream(new java.io.File("demo.jpg")));// imgRes.body() 就是图片数据out.write(imgRes.bodyAsBytes());out.close();

可以看到在当前工程路径下，生成了demo.jpg图片，并且显示正常！

 

6、接下来，我们要创建一个文件夹，用来专门存放图片。

    File相关API整理见文末附录二。

//当前路径下创建Pics文件夹File file = new File("Pics");file.mkdir();System.out.println(file.getAbsolutePath());

 

7、接下来开始遍历图片并下载。由于图片较多，为了简单起见，我们保存图片时候的名称，就从1开始依次增吧。

// 遍历图片并下载int cnt = 1;for (String str : URLS) {    System.out.println(">> 正在下载："+str);    // 获取response    Connection.Response imgRes = Jsoup.connect(str).ignoreContentType(true).execute();    FileOutputStream out = (new FileOutputStream(new java.io.File(file, cnt+".jpg")));    // imgRes.body() 就是图片数据    out.write(imgRes.bodyAsBytes());    out.close();    cnt ++;}

运行结果

 

到此编码部分也结束了，完整代码见文末附件三！

 

附录一

Jsoup（HTML解析器）

继承关系：Document继承Element继承Node。TextNode继承Node。->java.lang.Object  ->org.jsoup.nodes.Node    ->org.jsoup.nodes.Element      ->org.jsoup.nodes.Documenthtml文档：Document元素操作：Element节点操作：Node​官方API：https://jsoup.org/apidocs/org/jsoup/nodes/Document.html  一、解析HTML并取其内容  Document doc = Jsoup.parse(html);​二、解析一个body片断  Document doc = Jsoup.parseBodyFragment(html);  Element body = doc.body();​三、从一个URL加载一个Document  Document doc = Jsoup.connect("http://example.com")    .data("query", "Java")    .userAgent("Mozilla")    .cookie("auth", "token")    .timeout(3000)    .post();  String title = doc.title();​四、从一个文件加载一个文档  File input = new File("/tmp/input.html");  // baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串  Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");  ​五、使用DOM方法来遍历一个文档  1、查找元素  getElementById(String id)  getElementsByTag(String tag)  getElementsByClass(String className)  getElementsByAttribute(String key) // 和相关方法  // 元素同级  siblingElements()  firstElementSibling()  lastElementSibling()  nextElementSibling()  previousElementSibling()  // 关系  parent()  children()  child(int index)​  2、元素数据  // 获取属性attr(String key, String value)设置属性  attr(String key)  // 获取所有属性  attributes()  id()  className()  classNames()  // 获取文本内容text(String value) 设置文本内容  text()  // 获取元素内HTMLhtml(String value)设置元素内的HTML内容  html()  // 获取元素外HTML内容  outerHtml()  // 获取数据内容（例如：script和style标签)  data()  tag()  tagName()​  3、操作HTML和文本  append(String html)  prepend(String html)  appendText(String text)  prependText(String text)  appendElement(String tagName)  prependElement(String tagName)  html(String value)  六、使用选择器语法来查找元素（类似于CSS或jquery的选择器语法）  //带有href属性的a元素  Elements links = doc.select("a[href]");   //扩展名为.png的图片  Elements pngs = doc.select("img[src$=.png]");  //class等于masthead的div标签  Element masthead = doc.select("div.masthead").first();   //在h3元素之后的a元素  Elements resultLinks = doc.select("h3.r > a"); ​七、从元素抽取属性、文本和HTML  1、要取得一个属性的值，可以使用Node.attr(String key) 方法  2、对于一个元素中的文本，可以使用Element.text()方法  3、对于要取得元素或属性中的HTML内容，可以使用Element.html(), 或 Node.outerHtml()方法  4、其他：    Element.id()    Element.tagName()    Element.className()    Element.hasClass(String className)

 

附录二

File类

*java.io.File类用于表示文件或目录。*创建File对象:// 文件/文件夹路径对象File file = new File("E:/...");// 父目录绝对路径 + 子目录名称File file = new File("..." ,"");// 父目录File对象 + 子目录名称  File file = new File("...","...");file.exists():判断文件/文件夹是否存在file.delete():删除文件/文件夹file.isDirectory():判读是否为目录file.isFile():判读是否为文件夹file.mkdir():创建文件夹(仅限一级目录)file.mkdirs():创建多及目录文件夹(包括但不限一级目录)file.createNewFile():创建文件file.getAbsolutePath():得到文件/文件夹的绝对路径file.getName():得到文件/文件夹的名字file.String():同样是得到文件/文件夹的绝对路径等于file.getAbsolutePath()file.getParent():得到父目录的绝对路径

 

附录三

完整代码

package com.sxf;​import org.jsoup.Connection;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;import java.io.File;import java.io.FileOutputStream;import java.util.ArrayList;​public class Main {    public static void main(String[] args) {        try {            Document doc = Jsoup.connect("https://www.quanjing.com/creative/topic/1").get();            // 寻找class为item lazy的元素,返回ArrayList。            Elements items = doc.getElementsByClass("item lazy");            ArrayList<String> URLS = new ArrayList<>();            // 将图片的URL单独提取出来。            for (Element i : items) {                URLS.add(i.child(0).attr("src"));            }            // 当前路径下创建Pics文件夹            File file = new File("Pics");            file.mkdir();            String rootPath = file.getAbsolutePath();            System.out.println(">> 当前路径："+rootPath);            // 遍历图片并下载            int cnt = 1;            for (String str : URLS) {                System.out.println(">> 正在下载："+str);                // 获取response                Connection.Response imgRes = Jsoup.connect(str).ignoreContentType(true).execute();                FileOutputStream out = (new FileOutputStream(new java.io.File(file, cnt+".jpg")));                // imgRes.body() 就是图片数据                out.write(imgRes.bodyAsBytes());                out.close();                cnt ++;            }        }catch (Exception e){            e.printStackTrace();        }    }}

 

 

 

喜欢的话，记得点“在看”哦~~↓↓↓