怎么使用Java IO流和网络制作一个简单的图片爬虫 |
您所在的位置：网站首页 › 爬虫实用性 › 怎么使用Java IO流和网络制作一个简单的图片爬虫 |
怎么使用Java IO流和网络制作一个简单的图片爬虫
|
怎么使用Java IO流和网络制作一个简单的图片爬虫
发布时间：2023-04-07 17:16:47
来源：亿速云
阅读：81
作者：iii
栏目：开发技术
这篇文章主要介绍“怎么使用Java IO流和网络制作一个简单的图片爬虫”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“怎么使用Java IO流和网络制作一个简单的图片爬虫”文章能帮助大家解决问题。 Java IO流和网络的简单应用最近看到了 URL 类的用法，简单的做了一个Java 版的爬虫。发现还挺有趣的，就拿出来分享一下。通过关键字爬取百度图片，这个和我们使用搜索引擎搜索百度图片是一样的，只是通过爬虫可以学习技术的使用。（这个程序只是用来学习使用的，没有其它用途！）
Java 的 IO 流是实现输入/输出的基础，它可以方便的实现数据的输入/输出操作，在 Java 中把不同的输入/输出源（键盘、文件、网络连接等)抽象表述为”流“（Stream），通过流的方法运行Java 程序使用相同的方式来访问不同的输入/输出源。 因为 IO流 已经对各种输入输出源做了一个抽象处理，所以我们可以使用相对一致的代码处理各种的源，只需要把它们作为输入输出流来进行处理就行了，这就是面向抽象的好处。 URL 类URI 和 URL 先来了解一下什么是 URL 吧，说 URL 之前先简单了解URI。**URI，统一资源标识符（Uniform Resource Identifier）**是采用一种特定语法标识一个资源的字符串。所标识的资源可能是服务器上的一个文件或者其它任何内容。URI 的语法是由一个模式和一个模式特定部分组成，模式和模式特定部分用一个冒号分隔，如下所示： 模式:模式特定部分 URI 中的模式特定部分没有特定的语法，很多都采用一种层次结构形式，如：//authority/path?query **URL，统一资源定位符（Uniform Resource Location）**是URI的一个子集，它除了标识一个资源外 ，还会为资源提供一个特定的网络位置，客户端可以用它来获取这个资源的一个表示。注意：URL和URI并不是完全相同的，通用的URI可以告诉你一个资源是什么，但是无法告诉你它在哪里，以及如何得到这个资源。在Java中，这二者都有相应的实现，java.net.URI 类（只标识资源）与 java.net.URL 类（既能标识资源，又能获取资源） URL 中的网络位置通常包括用来访问服务器的协议（FTP、HTTP等）、服务器的主机名或IP地址，以及文件在该服务器上的路径。典型的 URL 类似于 https://www.baidu.com/。它表示百度服务器上的一个 html 文件（百度搜索的首页），它可以通过 HTTP 协议访问虽然没有直接在 URL 后面加上 html 文件的名字。如果使用 tomcat 的话，通常是 http://127.0.0.1:8080/foods/index.html 这种形式，其实二者是相同的。 好了，简单的了解就到此为止了，感兴趣的话，可以查阅相关书籍了解更详细的知识，上面只是提到一些基础的概念。 URL类 java.net.URL类是对统一资源定位符的抽象表示。它不依赖于继承来配置不同类型的URL的实例，而使用了策略设计模式。协议处理器就是策略，URL 类构成上下文，通过它来选择不同的策略。（值得一提的是：java 的 IO流也是使用了一种设计模式：装饰器模式。 例如如下代码： DataOutputStream dos = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(new File())))。URL 类包含很多的构造方法，我也只是第一次使用，就使用了最简单的一种形式：（刚开始学习，根本不需要了解这么多，先用着再说，慢慢掌握知识。） public URL(String url) throws MalformedURLExceptionJava 爬虫Talk is cheap, show me the code!前面主要是一下简单的基础知识，如果已经了解可以直接看下面这部分。 项目的基本结构：
说明：获取html页面的信息，并进行处理，使用正则表达式从html中提取图片的链接。（正则表达式是参考其它人的实现，这个涉及到对html内容的分析） String regx = "\"objURL\":\"(.*?)\",";//使用 Stream API 进行处理并返回。 return strs.stream() .map(s->s.substring(10, s.length()-2)) .collect(Collectors.toList());使用Java 8新增加的 Stream 对数据进行遍历，提取所有的图片的 URL 组成一个列表集合返回。 DownLoadUtilpackage dragon; import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.net.URL; import java.util.Date; import java.util.List; import java.util.Random; public class DownLoadUtil { public static void downLoad(List strs) { strs.stream().forEach(u->{ try { URL url = new URL(u); String contentType = url.openConnection().getContentType(); if (contentType != null && contentType.contains("image/")) { //获取图片的类型：content type String filetype = null; if (contentType.contains("jpeg")) { filetype = ".jpeg"; } else if (contentType.contains("jpg")) { filetype = ".jpg"; } else{ filetype = ".png"; } //gif 格式图片，似乎无法正常显示 //使用当前日期的毫秒数+随机数+contentType 作为文件名 Random rand = new Random(System.currentTimeMillis()); String filename = new Date().getTime()+rand.nextInt(10000)+filetype; Runnable r = ()->{ int flag = 0; File imageFile = new File(Client.downloadFilePath, filename); try( BufferedInputStream bis = new BufferedInputStream(url.openConnection().getInputStream()); BufferedOutputStream bos = new BufferedOutputStream(new FileOutputStream(imageFile))){ int hasRead = 0; byte[] b = new byte[1024]; while ((hasRead = bis.read(b)) != -1) { bos.write(b, 0, hasRead); } } catch (IOException e) { System.out.println("下载失败！"); //对于下载失败的图片进行删除，不然会出现错误！图片只能正常现实一部分 if (imageFile.exists()) { boolean b = imageFile.delete(); System.out.println("下载失败，删除图片"+b); } flag = 1; e.printStackTrace(); } if (flag == 0) System.out.println("下载完成："+filename); }; Thread t = new Thread(r); t.start(); //启动下载线程。 } } catch (IOException e) { e.printStackTrace(); System.out.println("链接错误！"); } }); } }注意：这里遇到一个问题，就是图片的下载过程受到网络因素的影响，有时候会下载失败，但是如果图片已经开始下载，仍然提示下载失败，那么这张图片可以能会出现异常，比如出现一下奇怪的颜色，我对下载失败的图片，进行了处理，发现，似乎没有效果。单纯的判断大小无法解决图片变形的问题，还有一种情况需要考虑！在最下面，会有详细说明解决方法。 Windowpackage dragon; import java.awt.FlowLayout; import java.io.IOException; import java.util.List; import javax.swing.Box; import javax.swing.JButton; import javax.swing.JFrame; import javax.swing.JLabel; import javax.swing.JOptionPane; import javax.swing.JTextField; public class Window extends JFrame{ /** * 自动生成的序列化版本号 */ private static final long serialVersionUID = 7809323808831342296L; private JLabel label_keyWord, label_Page; private JTextField textField, textPage; private JButton download; public Window(String name) { super(name); this.init(); //设置布局 this.setLayout(new FlowLayout()); this.setBounds(400, 400, 250, 150); this.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE); this.setVisible(true); } private void init() { label_keyWord = new JLabel("关键字"); label_Page = new JLabel("页数"); textField = new JTextField(10); textPage = new JTextField(10); download = new JButton("下载"); download.addActionListener(e->{ String keyWord = textField.getText().trim(); String page = textPage.getText().trim(); int download_page = 0; if (keyWord.length() == 0 || page.length() == 0) { JOptionPane.showMessageDialog(null, "关键字或页数不能为空！", "警告", JOptionPane.WARNING_MESSAGE); return ; } try { download_page = Integer.parseInt(page); //匹配单个数字，如果数字很多使用正则表达式 } catch (NumberFormatException exp) { JOptionPane.showMessageDialog(null, "页数必须为数字！", "警告", JOptionPane.WARNING_MESSAGE); return ; } String link = null; for (int i = 1; i { DownLoadUtil.downLoad(links); }); t.start(); } catch (IOException e1) { e1.printStackTrace(); JOptionPane.showMessageDialog(null, "啥都没有！", "警告", JOptionPane.WARNING_MESSAGE); } } }说明：当图片没有下载完成时，不要再次点击下载按钮，否则会报错。因为线程不能被再次启动。 运行结果
我来简单画一个示意图，大家凑合着看：
说明：首先通过百度图片的URL来获取百度图片那个页面的信息（html的内容），我们平时在浏览器使用，看到的都是浏览器处理好的页面，如果使用爬虫爬取的就是原始的html页面，在浏览器按 F12 也可以看到。因为图片的链接都在html 中，所以我们需要取出这些图片，这里就用到了**正则表达式（Regular Expression）**的知识了，通过正则表达式可以取出需要的信息（资源的URL或者说资源的地址）。其实获取html的过程和获取图片的过程，都是一样的。 这里说一下，这个步骤： //根据链接获取 html 文件数据。 public static String getData(String link) throws IOException { URL url = new URL(link); URLConnection connection = url.openConnection(); StringBuilder strBuilder = new StringBuilder(); try ( BufferedInputStream bis = new BufferedInputStream(connection.getInputStream())){ int hasRead = 0; byte[] b = new byte[1024]; while ((hasRead = bis.read(b)) != -1) { strBuilder.append(new String(b, 0, hasRead)); } } return strBuilder.toString(); }通过参数 link，创建一个 URL 对象，然后通过使用URLConnection connection = url.openConnection();获取 URLConnection 对象，在通过 URLConnection 对象的getInputStream() 方法，获取输入流即可。这样就完成了对资源的获取。我这里强调资源，因为下载图片其实和这个过程是一样的。 总结这个小软件虽然功能很简单，但是也用到了很多知识点，比较适合初学者进行学习（Java IO流、网络、Stream、线程的知识），知识虽然用到的都不难（一些基础知识），但是融合起来使用，还是很有意思的。 附 对于图片的奇怪颜色问题，可以确定是图片的大小和原来图片的大小不一致导致的，至于为什么是这样的，估计需要具备一定的图形学知识，才能解答，这个超出了这个东西的范围了。所以为了判断哪些图片出错，我就使用大小判断的方法，对最后生成的文件大小和网络图片文件大小进行比对，删除了一些无法下载的图片，但是有一些图片居然无法删除，我查阅了资料，大多说它被另一个进程占用，但是我这个图片应该是没有的。后来，经过检查发现是多线程惹得祸，因为是多线程，并且代码执行速度太快了（对的，和这个也有关系），因为我的文件命名是当前时间的毫秒数+一个种子为当前时间的随机数，在多线程的情况下，重复的概率居然还挺高的。所以，原因就出现了，当发现图片大小不对，试图删除图片时，图片被另一个线程占用，无法删除。（关于名字重复的问题，就是两个线程在同一个毫秒启动了，所以随机数也是相等的（种子相等），因此有些图片就会和其它图片写入同一个图片文件，导致出现异常情况。） 总结一下：图片异常的情况有两种：1.网络原因，导致图片无法完整下载，这是无法解决的，只能删除。2.图片名字重复，导致多张图片数据被写入同一张图片当中，这是程序错误，可以避免的。 解决方法：对于第一种情况，只需要把错误的图片删除即可；对于第二种情况，要避免图片名字重复，所以我重新设计了图片的命名方法，采用：当前时间的毫秒数+UUID随机数（查阅资料，这个挺好用的）作为文件的命名方式。注：UUID 也有一个缺点，就是名字太长了。 修改后的源文件： package dragon; import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.net.URL; import java.net.URLConnection; import java.util.List; import java.util.UUID; public class DownLoadUtil { public static void downLoad(List strs) { strs.stream().forEach(u->{ try { URL url = new URL(u); URLConnection urlConnection = url.openConnection(); String contentType = urlConnection.getContentType(); //获取资源文件的大小 long size = urlConnection.getContentLengthLong(); if (contentType != null && contentType.contains("image/")) { //获取图片的类型：content type String filetype = null; if (contentType.contains("jpeg")) { filetype = ".jpeg"; } else if (contentType.contains("jpg")) { filetype = ".jpg"; } else{ filetype = ".png"; } //gif 格式图片，似乎无法正常显示 //使用当前时间戳+随机数+contentType 作为文件名 String filename = System.currentTimeMillis()+UUID.randomUUID().toString()+filetype; //使用线程进行下载 Runnable r = ()->{ File imageFile = new File(Client.downloadFilePath, filename); try( BufferedInputStream bis = new BufferedInputStream(urlConnection.getInputStream()); BufferedOutputStream bos = new BufferedOutputStream(new FileOutputStream(imageFile))){ int hasRead = 0; byte[] b = new byte[1024]; while ((hasRead = bis.read(b)) != -1) { bos.write(b, 0, hasRead); } } catch (IOException e) { System.out.println("下载失败！"); e.printStackTrace(); } //对下载失败的图片进行删除。 if (imageFile.length() != size) { boolean result = imageFile.delete(); System.out.println(imageFile.length()+" "+size+" "+filename+" 删除结果："+result); //大小不符合，说明图片下载有问题，删除图片。 } else { System.out.println("下载完成："+filename); } }; Thread t = new Thread(r); t.start(); //启动下载线程。 } } catch (IOException e) { e.printStackTrace(); System.out.println("链接错误！"); } }); } }运行截图这样网络原因错误的图片直接删除，代码原因的错误，已经改正了。
注：还有一些图片无法显示，这个可能是官方不允许我们进行爬取，有的图片，爬取的就是不允许爬取那种图片，还有一些图片，不支持格式。 关于“怎么使用Java IO流和网络制作一个简单的图片爬虫”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注亿速云行业资讯频道，小编每天都会为大家更新不同的知识点。 推荐阅读： Node.js的基本使用2 java中的IO流免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：[email protected]进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。 java io 上一篇新闻：Python怎么使用defaultdict解决字典默认值 下一篇新闻：Spring注解@Configuration和@Component区别是什么 猜你喜欢 css如何让超链接访问后和访问前的颜色不同且访问后仍保留hover和active效果 python如何检查对象的内存占用情况 java如何使用substring()方法反转字符 如何使用python实现列表反转 linux如何使用rm命令删除目录 java如何使用Byte数组反转字符 java如何通过交换实现字符反转 java如何使用String charAt方法反转字符 python如何将元素进行重复 python如何判断字符串是不是回文串 |
【本文地址】