前言（废话）
公司产品新版本刚刚上线，所以也终于得空休息一下了，有了一点时间。由于之前看到过爬虫，可以把网页上的数据通过代码自动提取出来，觉得挺有意思的，所以也想接触一下，但是网上很多爬虫很多都是基于Python写的，本人之前也学了一点Python基础，但是还没有那么熟练和自信能写出东西来。所以就想试着用Java写一个爬虫，说起马上开干！爬点什么好呢，一开始还纠结了一下，到底是文本还是音乐还是什么呢，突然想起最近自己开始练习写文章，文章需要配图，因为文字太枯燥，看着密密麻麻的文字，谁还看得下去啊，俗话说好图配文章，阅读很清爽 ~ 哈哈哈ヾ(◍°∇°◍)ﾉﾞ”，对，我的名字就叫俗话，皮了一下嘻嘻~。所以要配一个高质量的图片才能赏心悦目，所以就想要不爬个图片吧，这样以后妈妈再也不用担心我的文章配图了。加上我之前看到过一个国外的图片网站，质量绝对高标准，我还经常在上面找壁纸呢，而且支持各种尺寸高清下载，还可以自定义尺寸啊，最重要的是免费哦 ~ 简直不要太方便，在这里也顺便推荐给大家，有需要的可以Look一下，名字叫LibreStock。其实这篇文章的配图就是从这上面爬下来的哦~好了，说了这么多其实都是废话，下面开始进入正题。
概述
爬虫，顾名思义，是根据网页上的数据特征进行分析，然后编写逻辑代码对这些特征数据进行提取加工为自己可用的信息。ImageCrawler是一款基于Java编写的爬虫程序，可以爬取LibreStock上的图片数据并下载到本地，支持输入关键词爬取，运行效果如下。
分析
首先打开LibreStock网站，点击F12查看源码，如下图
从图中可以看出每个图片对应的一个<li/>元素，<li/>下有一个图片的超链接，这个就是对应图片的详情地址，所以这里还不能拿到图片的源地址，我们再点进去再看
可以看到，在多层的div有一个href超链接，这个就是图片的源地址，但是好像下面还有href诶，而且也是图片的地址，这里不用管，我们取一个就可以。这个href是在image-section__photo-wrap-width的这个div里面的，所以大概特征我们就找到了。此处你认为就完成了就太天真了，经过我多次测试，踩了一些坑之后才发现并没有那么简单。
其实最开始我的做法是通过比较列表页的<li/>下的src属性和图片详情页的源地址href属性，然后将src中的值进行提取拼接成一个固定格式的链接，这个链接就是这张图片的源地址（后面发现图片的源地址链接可以有很多，其中可以配置不同的图片参数，链接就是对应参数的图片），然后进行下载。后来发现此方法并不稳定，因为测试发现并不是所有图片源地址都支持这种格式，而且这种方法也只能获取到页面第一次加载的图片数，因为下拉会加载更多，这个时候是处理不了这种情况的，此时就很尴尬了 ~ 既然要爬取，肯定是要针对大量数据的，所以首先是要解决不能爬取下拉加载更多的这种情况，既然有数据加载，肯定会设计到网络访问，于是通过Fiddler进行抓包发现下拉到底部的时候会触发一个异步加载。
会请求一次接口，然后返回下一页的列表数据，既然知道了数据的获取方式，我们就可以伪造一个一模一样的数据请求，然后拿到下一页的数据。但是什么时候加载完呢，通过观察发现每次接口的返回数据里有一个js的部分，如下图：
这个last_page就是标识，当加载到最后一页时，last_page就会为true，但是我们只能获取到返回的数据的字符串，怎么对这个js的函数进行判断呢，测试发现加载到最后一页时，False==True这个会变成True==True，所以可以通过判断这个字符串来作为爬取的页数标识。好了，至此就解决了加载更多的问题。
我们可以拿到每一页的图片列表数据，但是图片列表里面没有图片的源地址，接下来就是解决这个问题，我之前一直都是想直接通过爬取列表页的数据就拿到源地址，但是发现通过拼接的源地址并不适用于所有的图片，于是我试着改变思路，通过<li/>中的数据拿到图片的详细地址，再进行一次源码爬取，这样就可以拿到对应图片的详细页面的源码了，通过详情页的源码就可以获取到图片的源地址了。OK，大体流程就是这样了。
实施
通过分析已经清楚大致的流程了，接下来就是编码实现了。由于本人从事的是Android开发，所以项目就建在了一个Android项目里，但是可以单独运行的Java程序。
首先需要伪造一个一模一样的异步网络请求，观察上面图中的数据可以看出，请求包含一些头部的设置和token参数等配置信息，照着写下来就可以了，另外，请求是一个Post，还带有三个参数（query，page，last_id），query则是我们查询的图片的关键词，page是当前页数，last_id不清楚，不用管，设置为固定的和模板请求一样的即可。
`
public static String requestPost(String url, String query, String page, String last_id) {
String content = "";
HttpsURLConnection connection = null;
try {
URL u = new URL(url);
connection = (HttpsURLConnection) u.openConnection();
connection.setRequestMethod("POST");
connection.setConnectTimeout(50000);
connection.setReadTimeout(50000);
connection.setRequestProperty("Host", "librestock.com");
connection.setRequestProperty("Referer", "https://librestock.com/photos/scenery/");
connection.setRequestProperty("X-Requested-With", "XMLHttpRequest");
connection.setRequestProperty("Origin", "https://librestock.com");
connection.setRequestProperty("User-Agent", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.3; Trident/7.0;rv:11.0)like Gecko");
connection.setRequestProperty("Accept-Language", "zh-CN");
connection.setRequestProperty("Connection", "Keep-Alive");
connection.setRequestProperty("Charset", "UTF-8");
connection.setRequestProperty("X-CSRFToken", "0Xf4EfSJg03dOSx5NezCugrWmJV3lQjO");
connection.setRequestProperty("Cookie", "__cfduid=d8e5b56c62b148b7450166e1c0b04dc641530080552;cookieconsent_status=dismiss;csrftoken=0Xf4EfSJg03dOSx5NezCugrWmJV3lQjO;_ga=GA1.2.1610434762.1516843038;_gid=GA1.2.1320775428.1530080429");
connection.setDoInput(true);
connection.setDoOutput(true);
connection.setUseCaches(false);
if (!TextUtil.isNullOrEmpty(query) && !TextUtil.isNullOrEmpty(page) && !TextUtil.isNullOrEmpty(last_id)) {
DataOutputStream out = new DataOutputStream(connection
.getOutputStream());
// 正文，正文内容其实跟get的URL中 '? '后的参数字符串一致
String query_string = "query=" + URLEncoder.encode(query, "UTF-8");
String page_string = "page=" + URLEncoder.encode(page, "UTF-8");
String last_id_string = "last_id=" + URLEncoder.encode(last_id, "UTF-8");
String parms_string = query_string + "&" + page_string + "&" + last_id_string;
out.writeBytes(parms_string);
//流用完记得关
out.flush();
out.close();
}
connection.connect();
int code = connection.getResponseCode();
System.out.println("第" + page + "页POST网页解析连接响应码：" + code);
if (code == 200) {
InputStream in = connection.getInputStream();
InputStreamReader isr = new InputStreamReader(in, "utf-8");
BufferedReader reader = new BufferedReader(isr);
String line;
while ((line = reader.readLine()) != null) {
content += line;
}
}
} catch (MalformedURLException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} finally {
if (connection != null) {
connection.disconnect();
}
}
return content;
}
`
如上代码就是伪造的请求方法，返回当前请求的结果源码HTML，拿到源码以后，我们需要提取最后一页参数标识。如果是最后一页，则更新标识，将不再请求。
public boolean isLastPage(String html) {
//采用Jsoup解析
Document doc = Jsoup.parse(html);
//获取Js内容，判断是否最后一页
Elements jsEle = doc.getElementsByTag("script");
for (Element element : jsEle) {
String js_string = element.data().toString();
if (js_string.contains("\"False\" == \"True\"")) {
return false;
} else if (js_string.contains("\"True\" == \"True\"")) {
return true;
}
}
return false;
}
拿到列表源码，我们还需要解析出列表中的图片的详情链接。测试发现列表的详情href的div格式又是可变的，这里遇到两种格式，不知道有没有第三种，但是两种已经可以适应绝大部分了。
//获取html标签中的img的列表数据
Elements elements = doc.select("li[class=image]");//第一种格式
if (elements == null || elements.size() == 0) {
elements = doc.select("ul[class=photos]").select("li[class=image]");//第二种格式
}
if (elements == null) return imageModels;
int size = elements.size();
for (int i = 0; i < size; i++) {
Element ele = elements.get(i);
Elements hrefEle = ele.select("a[href]");
if (hrefEle == null || hrefEle.size() == 0) {
System.out.println("第" + page + "页第" + (i + 1) + "个文件hrefEle为空");
continue;
}
String img_detail_href = hrefEle.attr("href");
拿到图片详情页的超链接后，再请求一次详情页面链接，拿到详情页面的源码，
String img_detail_entity = HttpRequestUtil.requestGet(img_detail_href, page, (i + 1));//获取详情源码
然后就可以对源码进行解析，拿到图片的源地址，测试发现图片源地址的格式也有多种，经过实践发现大概分为四种，获取到图片源地址，我们可以对这个源地址url进行提取文件名作为下载保存的文件名，然后保存到图片模型中，所以根据详情页源码提取出图片源地址的代码如下：
public ImageModel getModel(String img_detail_html) throws Exception {
if (TextUtil.isNullOrEmpty(img_detail_html)) return null;
//采用Jsoup解析
Document doc = Jsoup.parse(img_detail_html);
//获取html标签中的内容
String image_url = doc.select("div[class=img-col]").select("img[itemprop=url]").attr("src");//第一种
if (TextUtil.isNullOrEmpty(image_url)) {
image_url = doc.select("div[class=image-section__photo-wrap-width]").select("a[href]").attr("href");//第二种
}
if (TextUtil.isNullOrEmpty(image_url)) {
image_url = doc.select("span[itemprop=image]").select("img").attr("src");//第三种
}
if (TextUtil.isNullOrEmpty(image_url)) {
image_url = doc.select("div[id=download-image]").select("img").attr("src");//第四种
}
if (TextUtil.isNullOrEmpty(image_url)) return null;
ImageModel imageModel = new ImageModel();
String image_name = TextUtil.getFileName(image_url);
imageModel.setImage_url(image_url);
imageModel.setImage_name(image_name);
return imageModel;
}
综上上面的代码，从网页列表源码中提取出多个图片模型的代码如下：
public Vector<ImageModel> getImgModelsData(String html, int page) throws Exception {
//获取的数据，存放在集合中
Vector<ImageModel> imageModels = new Vector<>();
//采用Jsoup解析
Document doc = Jsoup.parse(html);
//获取html标签中的img的列表数据
Elements elements = doc.select("li[class=image]");
if (elements == null || elements.size() == 0) {
elements = doc.select("ul[class=photos]").select("li[class=image]");
}
if (elements == null) return imageModels;
int size = elements.size();
for (int i = 0; i < size; i++) {
Element ele = elements.get(i);
Elements hrefEle = ele.select("a[href]");
if (hrefEle == null || hrefEle.size() == 0) {
System.out.println("第" + page + "页第" + (i + 1) + "个文件hrefEle为空");
continue;
}
String img_detail_href = hrefEle.attr("href");
if (TextUtil.isNullOrEmpty(img_detail_href)) {
System.out.println("第" + page + "页第" + (i + 1) + "个文件img_detail_href为空");
continue;
}
String img_detail_entity = HttpRequestUtil.requestGet(img_detail_href, page, (i + 1));
if (TextUtil.isNullOrEmpty(img_detail_entity)) {
System.out.println("第" + page + "页第" + (i + 1) + "个文件网页实体img_detail_entity为空");
continue;
}
ImageModel imageModel = getModel(img_detail_entity);
if (imageModel == null) {
System.out.println("第" + page + "页第" + (i + 1) + "个文件模型imageModel为空");
continue;
}
imageModel.setPage(page);
imageModel.setPostion((i + 1));
//将每一个对象的值，保存到List集合中
imageModels.add(imageModel);
}
//返回数据
return imageModels;
}
获取到图片的源地址后，接下来就是下载到本地了，一个页面有多个图片，所以下载用线程池比较合适。因为一个列表页是24张图片，所以这里线程池的大小就设为24，解析完一个页面的列表，就把这个页面的图片列表传给下载器， 当这个列表的任务完成以后，就去解析下一页的数据，然后重复循环这个过程，直到判断是最后一页了，就结束此次爬取。
public void startDownloadList(Vector<ImageModel> downloadList, String keyword) {
HttpURLConnection connection = null;
//循环下载
try {
for (int i = 0; i < downloadList.size(); i++) {
pool = Executors.newFixedThreadPool(24);
ImageModel imageModel = downloadList.get(i);
if (imageModel == null) continue;
final String download_url = imageModel.getImage_url();
final String filename = imageModel.getImage_name();
int page = imageModel.getPage();
int postion = imageModel.getPostion();
Future<HttpURLConnection> future = pool.submit(new Callable<HttpURLConnection>() {
@Override
public HttpURLConnection call() throws Exception {
URL url;
url = new URL(download_url);
HttpURLConnection connection = (HttpURLConnection) url.openConnection();
//设置超时间为3秒
connection.setConnectTimeout(3 * 1000);
//防止屏蔽程序抓取而返回403错误
connection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
return connection;
}
});
connection = future.get();
if (connection == null) continue;
int responseCode = connection.getResponseCode();
System.out.println("正在下载第" + page + "页第" + postion + "个文件，地址：" + download_url + "响应码：" + connection.getResponseCode());
if (responseCode != 200) continue;
InputStream inputStream = connection.getInputStream();
if (inputStream == null) continue;
writeFile(inputStream, "d:\\ImageCrawler\\" + keyword + "\\", URLDecoder.decode(filename, "UTF-8"));
}
} catch (Exception e) {
e.printStackTrace();
} finally {
if (null != connection)
connection.disconnect();
if (null != pool)
pool.shutdown();
while (true) {
if (pool.isTerminated()) {//所有子线程结束，执行回调
if (downloadCallBack != null) {
downloadCallBack.allWorksDone();
}
break;
}
}
}
}
保存到本地的代码如下，保存到的是自定义文件夹的目录，目录的名称是输入的爬取的关键词，下载的图片的名字是根据源地址的url提取得到
public void writeFile(InputStream inputStream, String downloadDir, String filename) {
try {
//获取自己数组
byte[] buffer = new byte[1024];
int len = 0;
ByteArrayOutputStream bos = new ByteArrayOutputStream();
while ((len = inputStream.read(buffer)) != -1) {
bos.write(buffer, 0, len);
}
bos.close();
byte[] getData = bos.toByteArray();
//文件保存位置
File saveDir = new File(downloadDir);
if (!saveDir.exists()) {
saveDir.mkdir();
}
File file = new File(saveDir + File.separator + filename);
FileOutputStream fos = new FileOutputStream(file);
fos.write(getData);
if (fos != null) {
fos.close();
}
if (inputStream != null) {
inputStream.close();
}
} catch (MalformedURLException e) {
e.printStackTrace();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
好了，所有的工作都完成了，让我们跑起来看看效果吧 ~ 输入wallpaper为查询的关键词，然后回车，可以看到控制台输出了信息（对于我这个强迫症来首，看起来很舒适），文件夹也生成了对应的图片文件，OK，大功告成！
以上就是整个爬取的流程，最后，完整的代码已经上传到了github，欢迎各位小伙伴fork。
网友评论