爬取中国信用黑名单网站图片和数据到本地

 2 
 3 import java.io.File;
 4 import java.io.IOException;
 5 import java.io.InputStream;
 6 import java.net.URL;
 7 import java.net.URLConnection;
 8 
 9 import org.apache.commons.io.FileUtils;
10 
11 
12 
13 public class SpiderDemo {
14     public static void main(String[] args) throws IOException {
15 //        URL url = new URL("http://www.zhongguoxinyongheimingdan.com");
16 //        URLConnection connection = url.openConnection();
17 //        InputStream in = connection.getInputStream();
18 //        File file = new File("F://a.txt");
19 //        FileUtils.copyInputStreamToFile(in, file);
20         File srcDir = new File("F://a.txt");
21         String str = FileUtils.readFileToString(srcDir, "UTF-8");
22         String[] str1 = str.split("href=");
23         for (int i = 3; i < str1.length-1; i++) {
24             URL url = new URL("http://www.zhongguoxinyongheimingdan.com"+str1[i].substring(1, 27));
25             File f = new File("F://abc//"+str1[i].substring(2, 22));
26             if(!f.exists()){
27             f.mkdir();    
28             File desc1 = new File(f,str1[i].substring(1, 22)+".txt");
29             URLConnection connection = url.openConnection();
30             InputStream in = connection.getInputStream();
31             FileUtils.copyInputStreamToFile(in, desc1);
32             String str2 = FileUtils.readFileToString(desc1, "UTF-8");
33             String[] str3 = str2.split("\" src=\"");
34             for(int j = 1;j<str3.length-2;j++){
35                 URL url1 = new URL(str3[j].substring(0, 81));
36                 URLConnection connection1 = url1.openConnection();
37                 connection1.setDoInput(true);
38                 InputStream in1 = connection1.getInputStream();
39                 File desc2 = new File(f,str3[j].substring(44,76)+".jpg");
40                 FileUtils.copyInputStreamToFile(in1, desc2);
41             }
42             }
43             }
44         }
45     
46 }

 

转载于:https://www.cnblogs.com/bianqi/p/6404066.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值