java写爬虫没python好吗_java爬虫代码

java写爬虫没python好吗_java爬虫代码写在前面前段时间实习结束回来休息,某日闲逛无意间又打开了半次元,突然看见几个好漂亮的coser小姐姐,就想存个图片当壁纸(づ ̄3 ̄)づ╭❤~然而又发现,很多小姐姐都设置了作品禁止保存或者是右下角带水印身为一个重度强迫症患者,默默打开浏览器,看看能不能偷鸡扒到原图。。。开始之前1.所有图片都是各位作者付出辛苦劳动得来的,请尊重coser版权。2.图片自己下载使用可以,请勿用于商业用途,转载请先取…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

写在前面

前段时间实习结束回来休息,某日闲逛无意间又打开了半次元,突然看见几个好漂亮的coser小姐姐,就想存个图片当壁纸(づ ̄3 ̄)づ╭❤~

然而又发现,很多小姐姐都设置了作品禁止保存或者是右下角带水印

779aa738bce4

身为一个重度强迫症患者,默默打开浏览器,看看能不能偷鸡扒到原图。。。

开始之前

math?formula=%5Ccolor%7B%23FF0000%7D%7B%E6%9C%AC%E6%96%87%E6%97%A8%E5%9C%A8%E5%AD%A6%E4%B9%A0%E4%BA%A4%E6%B5%81%EF%BC%8C%E5%B8%8C%E6%9C%9B%E6%89%80%E6%9C%89%E9%98%85%E8%AF%BB%E7%9A%84%E5%B0%8F%E4%BC%99%E4%BC%B4%E4%BB%AC%E6%B8%85%E6%A5%9A%E4%BB%A5%E4%B8%8B%E5%87%A0%E7%82%B9%EF%BC%9A%7D

1. 所有图片都是各位作者付出辛苦劳动得来的,请尊重coser版权。

2. 图片自己下载使用可以,请勿用于商业用途,转载请先取得作者的同意并注明cn及链接。

3. 文末附有源码地址,但代码里我留了几个空白需要小伙伴们自己操作填写,拒绝伸手党。

下载原图的思路

采用爬虫的思路,将网页html文本中的图片链接提取出来,就能很方便地进行批量下载。

Step 1:浏览器控制台分析html,找到原图链接

这里以喵老师的作品为例,她的半次元主页:Misa贞喵

F12或右键审查元素,进入浏览器控制台,选择Element

779aa738bce4

然后不断打开html元素,找到图片所在的元素块。一般图片文件都在***里。

779aa738bce4

Step 2:Java+PhantomJs获取html文本,提取原图url

由于半次元网站采用了Ajax技术异步加载图片等内容,所以不能用传统的爬虫方法,那样是无法获取到图片链接的。

为了加载Ajax网页,正统的方法是分析页面js脚本中的http请求,然后通过请求得到数据文件。这里我偷了个懒,通过PhantomJs模拟浏览器访问网站得到Ajax加载后的页面。

(也许有人觉得这就不算爬虫了,无所谓啦,我只是想存个图。不过后面也会提到用PhantomJs的缺点)

通过上面文章的方法,就能成功获取的喵老师这篇作品的html文本了。

779aa738bce4

然后,或是通过正则或是通过其他插件,将url链接提取出来即可。这里我用了org.apache.commons.lang3包中的StringUtils这个工具进行字符串分析截取。

这里有它的官方jar包下载地址。

public String[] getAlbumNoteInfo(String html) {

String article = StringUtils.substringBetween(html, “”, “”);

String content = StringUtils.substringBetween(article, “class=\”inner-container\””, “class=\”declaration\””);

String[] strings = StringUtils.substringsBetween(content, “src=\””,”/w650\””);

return strings;

}

如此,该页面的图片url就都能提取出来了。

779aa738bce4

Step 3:根据url批量下载图片

这里也不用多说,直接用Java写个循环下载文件即可。嫌速度慢也可根据电脑性能及网速开多线程提高效率。

/**

* 下载图片

*/

public void downloadImg(String imgUrl, String filePath) {

String fileName = imgUrl.substring(imgUrl.lastIndexOf(“/”));

// 创建文件的目录结构

File files = new File(filePath);

if(!files.exists()){// 判断文件夹是否存在,如果不存在就创建一个文件夹

files.mkdirs();

}

try {

URL url = new URL(imgUrl);

HttpURLConnection connection = (HttpURLConnection) url.openConnection();

InputStream is = connection.getInputStream();

// 创建文件

File file = new File(filePath + “//” + fileName);

FileOutputStream out = new FileOutputStream(file);

int i = 0;

while((i = is.read()) != -1){

out.write(i);

}

is.close();

out.close();

} catch (Exception e) {

e.printStackTrace();

}

System.out.println(“下载完成:” + fileName);

}

成果

本来挺简单的东西没想着写多少,结果迫于懒癌晚期+强迫症。。。从几十行代码不断扩展,慢慢地写成了一个demo。。。

779aa738bce4

代码、作品及信息

然后就是下了一堆图。。。

779aa738bce4

罪过罪过

结语

写了几天代码,算是完成了一个半成品demo。

代码目前可以根据作者主页链接,开多线程下载该作者的全部图片作品,并提取作者&作品的相关信息写入文件,能够下载作者头像,将作品分文件夹存储,方便查看展示。同时作者有更新的话,再次下载该作者作品会检查信息,只下载更新的作品。一次操作,全部解决,我懒我任性。

该项目 源码地址:https://github.com/JohnnyJYWu/bcy-webcrawler-Java

代码不可直接运行,需要手动添加部分信息,如存储地址及url链接等。

具体 使用方法 及 展示效果 请阅读 README。

几个注意的地方:

这是一篇Java爬虫的文章,仅供交流。再次强调对各位coser及其作品版权的尊重,请勿用于商业用途。转载请取得作者同意并注明链接!

很多coser上传的都是原图,每张图片几MB或者十几MB都很正常,因此下载速度变慢也不稀奇。

相比而言,用PhantomJs来取Ajax页面确实存在很多不稳定因素,速度也很慢。后续也许会考虑分析一下js的http请求来获取数据,以及爬取更多资源如视频之类的。

前端网站的迭代更新会很快,可能过段时间半次元改前端了爬虫就会失效。所以本文及我的GitHub项目旨在提供一个解决方法,不保证能长期使用。

如果有任何问题可在评论留言,或在GitHub发布issue,我会尽量及时查看回复。

希望这篇文章对你有帮助~

第一次写博,有不足之处欢迎各位大佬批评指正。

我的GitHub:https://github.com/JohnnyJYWu

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/193910.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • 零基础成为黑客[通俗易懂]

    零基础成为黑客[通俗易懂]笔者刚乱入了CTF,算是入门了,此处分享一下入门经验一个漏洞练习平台:https://github.com/gh0stkey/DoraBox使用教程参考:https://www.cnblogs.com/zhaijiahui/p/10789251.html攻防世界:https://adworld.xctf.org.cn/task这个网站很良心,第一次点开这个网站,仿佛看到了新世界…

  • Java中的数据类型详解——boolean类型

    Java中的数据类型详解——boolean类型BooleanTest01.java/* 1、在java语言中boolean类型只有两个值,没有其他值: true和false。 不像c或者c++,c语言中1和0也可以表示布尔类型。 2、boolean类型在实际开发中使用在哪里呢? 使用在逻辑判断当中,通常放在条件的位置上(充当条件)。*/publicclassBooleanTest01{ publicstaticvoidmain(String[]args){ //错误:不兼容的类型:int无法转换为boole

  • redis从入门到高可用 Redis复制的原理与优化

    redis从入门到高可用 Redis复制的原理与优化

  • 计算机系统构成及硬件基础知识

    目录数值转换R进制转十进制使用按权展开法。十进制转R进制使用短除法。二进制转八进制。二进制转十六进制。数的表示原码/反码/补码/移码浮点数运算计算机的基本组成计算机体系结构计算机体系软硬件的层次结构计算机的一些基本概念本章主要包括以下部分:数值转换 数的表示 计算机体系结构 计算机的组成 寻址方式 校验码数值转换R进制转十进制…

  • chmod命令详细用法

    chmod命令详细用法指令名称:chmod使用权限:所有使用者使用方式:chmod[-cfvR][–help][–version]modefile…说明:Linux/Unix的档案调用权限分为三级:档案拥有者、群组、其他。利用chmod可以藉以控制档案如何被他人所调用。参数:mode:权限设定字串,格式如下:[ugoa…][[±=][rwxX]…][,…],其中…

  • java 初始化二维数组_java二维数组的常见初始化

    java 初始化二维数组_java二维数组的常见初始化publicclassTest{publicstaticvoidmain(String[]args){//第一种://int[][]arr1=newint[][]{{1,2},{2,3},{4,5}};int[][]arr1={{1,2},{2,3},{4,5}};System.out.println(“arr1的数值:”);for(inti=0;i&…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号