用java做一个简易的小爬虫

前言

爬虫一直python的强项，其它语言也能做，只是没有python那么方便快捷，今天正好学到java中了一些和网络相关的知识，就做了一个小爬虫。

主要功能是：爬取百度图片中的图片，一键下载。

效果图

为了吸引大家继续看下去，先上效果图



功能就是这样，根据输入的关键字不同，自动下载不同的图片，当然，这些图片都是从百度图片中爬取出来的。

思路

1. 随便输入一个关键字，百度图片就会展示出很多图片
   

2. 我们都知道，网络中的每个资源，都是有唯一确定的位置的。所以展示出来的每张图片，也都有一个唯一路径。在图片上点击鼠标右键，然后再点击查看图像。（我用的火狐浏览器，其它的浏览器应该也有类似的功能）
   

就可以查看这单个图片了
观察上面的地址栏，这就是图片的地址，但是这个地址可能被百度处理过了，很长很长，所以我们用另一种方式来观察每张图片的url：开发者模式

摁F12，进入开发者模式，然后点击左上角的选择元素，然后再选择想要查看的图片，就能看到图片的URL了，这张图片的url是：
https://ss2.bdstatic.com/70cFvnSh_Q1YnxGkpoWK1HF6hhy/it/u=195864913,3467183443&fm=26&gp=0.jpg
然后我们再多看几张，观察一下有什么规律
https://ss0.bdstatic.com/70cFuHSh_Q1YnxGkpoWK1HF6hhy/it/u=2204996942,2977507050&fm=26&gp=0.jpg
https://ss3.bdstatic.com/70cFv8Sh_Q1YnxGkpoWK1HF6hhy/it/u=1831886359,378289772&fm=26&gp=0.jpg
https://ss3.bdstatic.com/70cFv8Sh_Q1YnxGkpoWK1HF6hhy/it/u=2495686098,3449203597&fm=26&gp=0.jpg

规律还是很容易简单的吧，写一个简单的正则表达式 https://.*?0.jpg 当然，可以写得更准确，但是这个已经够用，就不写那么精确了。

剩下的就简单了，利用java中的URL这个类和IO流，把展示很多图片的那个页面给读出成一个字符串，然后在字符串中，去查找和上面正则匹配的图片路径。然后再用匹配到的每个路径，去下载图片，就OK了。

但是这样就将要下载图片的主题固定死了，因为我们输入的关键字没变。
仔细观察这个路径，发现我们输入的关键字，被拼接到了URL的最后。这是因为这里采用了get请求，请求数据被放在URL里，所以我们可以对这个URL做手脚，自己来手动拼接，就可以达到输入不同关键字，下载不同图片的功能了。

关键点有两个：
一是改变首页URL的提交参数
二是利用正则获取到每张图片的URL

源代码

import java.io.*;
import java.net.URL;
import java.nio.charset.StandardCharsets;
import java.util.ArrayList;
import java.util.Scanner;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

@SuppressWarnings("all")
public class InetAddressTest02
{
    public static void main(String[] args)
    {
        Scanner input = new Scanner(System.in);
        System.out.println("欢迎体验这个小程序！");
        while (true)
        {
            System.out.println("请输入您要下载图片明星的姓名(输入E\\e退出)：");
            String name = input.next();
            if ("e".equals(name) || "E".equals(name))
            { break; }
            System.out.println("正在下载，请稍等……");
            downBeautyPicture(name);
            System.out.println();
        }
        System.out.println("成功退出，欢迎下次光临！");
    }



    public static void downBeautyPicture(String name)
    {
        String targetPath = "C://"+name+System.currentTimeMillis();
        new File(targetPath).mkdir();
        int count = 0;

        InputStream is = null;
        FileOutputStream fos = null;
        try
        {
            URL url = new URL("https://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word="+name);
            is = url.openStream();

            int len;
            byte[] buffer = new byte[1024];
            StringBuilder pageText_ = new StringBuilder();
            while ((len = is.read(buffer)) != -1)
            { pageText_.append(new String(buffer,0,len, StandardCharsets.UTF_8)); }

            String pageText = pageText_.toString();
            Pattern compile = Pattern.compile("https://.*?0\\.jpg");
            Matcher matcher = compile.matcher(pageText);
            ArrayList<String> URLs = new ArrayList<>();

            while (matcher.find())
            {
                String eachURLStr = matcher.group();

                if (URLs.contains(eachURLStr))
                { continue; }

                count ++;
                //System.out.println("正在下载第"+ count +"张图片…………");
                URL eachURL = new URL(eachURLStr);
                is = eachURL.openStream();
                fos = new FileOutputStream(targetPath+ "\\" + System.currentTimeMillis()+".jpg");
                while ((len = is.read(buffer)) != -1)
                { fos.write(buffer,0,len); }

                is.close();
                fos.flush();
                fos.close();
                URLs.add(eachURLStr);
            }
        }
        catch (IOException e)
        {
            System.out.println("对不起，下载错误，请重试");
            e.printStackTrace();
        }
        finally
        {
            System.out.println("下载完成，共下载了"+ count +"图片，请到  "+targetPath+"  目录下查看");
            if (is != null)
            {
                try
                { is.close(); }
                catch (IOException e)
                { e.printStackTrace(); }
            }
            if (fos != null)
            {
                try
                { fos.close(); }
                catch (IOException e)
                { e.printStackTrace(); }
            }
        }
    }
}

用到的技术也很简单，URL、正则、IO流等等，其它一些java的基础知识我就不一一列举了。

问题

1. 没有对图片的下载路径进行处理
   因为我懒，可以在下载图片的时候，让用户选择保存位置的，有兴趣的同学可以去实现一下。本来不想把下载到的图片默认保存到c盘的，因为c盘是系统盘。但是考虑到有的同学只有一个c盘，所以将就图片默认保存到c盘了。33行那里可以修改保存的位置，可以自己改。注意：如果不是改成在盘弧下，是在某个文件夹下，要先把这个文件夹创建出来！！！

2. 只能下载30张
   这个真的是技术问题了，因为百度图片展示的时候，采取了延迟加载的策略，因为一个关键字可以搜索出来很多很多图片，不可能一次性给全部加载出来，用户也不会全部都看完，所以是根据用户鼠标的滚动来加载的。他这个应该是通过JavaScript代码来控制的，因为地址栏一直没有发生改变，所以也无法再通过改变URL来加载其它图片的目的了。
   搜索一个关键字，一开始的时候，默认会加载30张，所以就只能下载到这30张。

有什么不对或不懂的地方，欢迎交流