手把手教你从零开始开办公司,怎么写java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!

手把手教你从零开始用Java写爬虫

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”)

手把手教你从零开始用Java写爬虫

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。

手把手教你从零开始用Java写爬虫

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。

手把手教你从零开始用Java写爬虫

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…)

手把手教你从零开始用Java写爬虫手把手教你从零开始用Java写爬虫

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。

手把手教你从零开始用Java写爬虫手把手教你从零开始用Java写爬虫

2、新建Java工程。

手把手教你从零开始用Java写爬虫手把手教你从零开始用Java写爬虫手把手教你从零开始用Java写爬虫

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。

注意:链接没给,否则文章审核不过,注意自己添加!!!

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("").get(); //这里加链接 System.out.println(doc); }catch (Exception e){ e.printStackTrace(); } }}

手把手教你从零开始用Java写爬虫

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。

注意:链接没给,否则文章审核不过,注意自己添加!!!

注意:链接没给,否则文章审核不过,注意自己添加!!!

手把手教你从零开始用Java写爬虫

5、我们先尝试用Jsoup下载一张图片试试效果。

注意:链接没给,否则文章审核不过,注意自己添加!!!

// 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!

手把手教你从零开始用Java写爬虫

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());

手把手教你从零开始用Java写爬虫

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

手把手教你从零开始用Java写爬虫

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:***/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("***") .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", "***/"); 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("***/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(); } }}

声明:本网页内容旨在传播知识,若有侵权等问题请及时与本网联系,我们将在第一时间删除处理。E-MAIL:dandanxi6@qq.com

(0)
上一篇 2023年 8月 29日 上午8:59
下一篇 2023年 8月 29日 上午9:09

相关推荐

  • 长沙入选个人养老金制度先行地

    人力资源社会保障部25日宣布个人养老金启动实施,同时公布了36个先行城市或地区名单,长沙成为先行城市之一。 在个人养老金业务落地开闸之际,对于大家最为关注的一些问题,个人养老金有什…

    互联网 2023年 2月 10日
  • 更方便了, 核酸检测点一键导航  

    为方便市民进行核酸检测,新都区便民核酸采样点位也在不断增多。哪里离你最近,什么时间段能做核酸采样? 新都市民只需打开高德地图APP,即可快速了解周边核酸采样点位置,就近选择核酸检测…

    2022年 12月 17日
  • 免费!半价!武汉多个景区宣布关闭

    武汉景区 五月最新优惠政策来了! 其中 武汉欢乐谷、木兰天池、 凤娃古寨、武汉植物园等景区 针对部分人群免票 赶紧走出家门 去感受夏日的美好吧~ 武汉欢乐谷极速世界新区。 「武汉欢…

    互联网 2023年 11月 7日
  • 软件测试遇到问题怎么解决,python connection reset by peer怎么解决

    有同事报客户端请求某核心服务出现大量connection reset by peer。线上故障,赶紧高优定位处理。 no.1 及时止损 看现象是个别实例集中出现,不是全部实例出现,…

    2023年 9月 3日
  • 在今日头条上发怎么赚钱,新手如何在今日头条写作赚钱

    #2022生机大会# 今日头条是一个非常优秀的自媒体平台,许多人在这个平台上挣了不少钱。小编也在今日头条平台挣了一些零花钱,多一份收入,今天就来给粉丝们说说,怎么在今日头条上赚钱。…

    2023年 1月 27日
  • ps4不破解能读硬盘游戏吗

    对于PS4的破解,很多玩家都一直在关注,毕竟索尼之前的游戏机都被破解过,这些破解游戏机所孕育出来的盗版玩家,一定程度上构建了国内的游戏圈。回顾历史,PS2发布后3个月即被破解,2年…

    2023年 7月 15日
  • 如何查看路由器里面的宽带密码

    宽带使用时间长了,我们容易弄丢宽带密码,刚好现在要升级更换路由器需要用到宽带的账号与密码怎么办?下面我给大家分享一种不用软件进入路由器查看里面的宽带密码。 一、在浏览器的地址栏输入…

    2023年 7月 29日
  • qq彻底重做,十年来最大改变是什么

    说起QQ的发展进程,小雷觉得有俩关键词可以准确形容:“伟大与牺牲”。 QQ从传统互联网时期便扎根本土发展,以极其丰富的周边和便捷的聊天传输功能,俘获不少网友的芳心。 聊天体验就不用…

    2023年 7月 1日
  • 什么是传销怎么才知道是不是传销

    嗨喽,大家好! 我是智者文昊,今天给大家讲一下什么是传销,说到这里想到大家都会说:“现在社会治安这么好,怎么还会有传销,真是可笑”。看到这里我想要告诉大家:不,虽然现在社会治安好,…

    互联网 2023年 7月 20日
  • 怎么识别图片中的文字,图片识别文字转换成文字的app

    怎么识别图片中的文字?三个方法教会你如何识别文字 在我们开会或者是听课过程中,有时会因为想要快速记录一些内容就用照片或者电子版的形式先保存下来,等待结束后再进行复盘和理解。如果当中…

    2023年 5月 13日