程序员的福利:使用WebCollector爬取某美女网站上的图片
0x00 需求
某网站,有海量美女图片,里面默认是按美女的英文名字(A-Z)排序的。估算了一下,至少也得有3000+位美女照片,每位的照片数目从几十张到几百张不等。浏览了几天,才浏览了很少的一部分。心想,用浏览器浏览这么慢,效率那个低啊,这么多照片什么时候才能欣赏完。于是需求就来了:如何爬取这个网站上的美女图片呢?
0x01 工具
笔者选择的爬虫框架是WebCollector。
WebCollector是一个无须配置、便于二次开发的JAVA爬虫框架(内核),它提供精简的的API,只需少量代码即可实现一个功能强大的爬虫。WebCollector-Hadoop是WebCollector的Hadoop版本,支持分布式爬取。
相关文档和下载连接在这里:http://www.oschina.net/p/webcollector/edit
笔者使用的版本是2.24
如何安装和配置,这里不详解了,请查阅相关文档。
0x02 Code
查阅该网站网页的元素,确认图片的URL为http://[网站名称]/jav/[美女英文名]/[main index]/[美女英文名]-[sub index].jpg
闲话少说,Talk is easy, show me the code:
public class Main extends BreadthCrawler{
public Main(String crawlPath, boolean autoParse) throws Exception {
super(crawlPath, autoParse);
}
@Override
public void visit(Page page, CrawlDatums craw) {
/*不处理非jpg的网页/文件*/
if(!Pattern.matches(".*jpg", page.getUrl())){
return;
}
//http://[网站名称]/jav/[美女英文名]/[main index]/[美女英文名]-[sub index].jpg
String strUrl = page.getUrl();
String[] strPart = strUrl.split("/");
if (strPart.length < 7) {
return;
}
String strMainIndex = strPart[5];
String strPicNameURL = strPart[6];
int nLabel = strPicNameURL.lastIndexOf("-");
if (nLabel < 0) {
return;
}
String strBeautiName = strPicNameURL.substring(0, nLabel);
String strSubIndex = strPicNameURL.substring(nLabel+1, strPicNameURL.length());
String strPicPath = "Download\\"+strBeautiName+ "\\" +strBeautiName + "_" + strMainIndex + "-" + strSubIndex;
//保存路径格式Download\[美女名字]\[美女名字]-[主编号]-[次编号].jpg
/*将图片内容保存到文件,page.getContent()获取的是文件的byte数组*/
try {
FileUtils.writeFileWithParent(strPicPath, page.getContent());
System.out.println(page.getUrl());
} catch (IOException e) {
e.printStackTrace();
}
}
public static void main(String[] args) throws Exception {
Main crawler = new Main("MyCollector", true);
try {
crawler.addSeed("http://www.[网站网址].com");
String strReg = "http://www.[网站网址]/jav/*.*";
crawler.addRegex(strReg);
crawler.setThreads(50);
crawler.start(8);
}
catch(java.io.IOException e){
}
}
}
最后程序运行了很久(按天算),但数据量也不小,可怜的硬盘:
0x03 总结
虽然耗费了很长时间才把很多图片爬取下来,但仔细检查发现,有些图片是没有爬取下来的,通过日志分析发现,爬虫在进行URL请求时,有些页面的URL是请求失败的。这些URL对应于其他网站,而这些网站是被封掉的。程序写的也很匆忙,读者若有什么新的爬虫技术,欢迎分享和指导。