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

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。

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。

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。

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。。。

代码、作品及信息

然后就是下了一堆图。。。

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