Jsoup爬取网站图片

谁践踏了优雅 2023-01-21 13:23 276阅读 0赞

Jsoup 是一款 Java 的 HTML 解析器，我们可以用它进行网站图片的爬取，然后下载到本地文件夹中。  
首先在pom.xml中添加依赖。

<dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.10.2</version>
    </dependency>

首先我们写出下载图片的方法，先创建一个文件夹，然后截取出图片的文件名，并对文件名进行处理并转换为UTF-8格式。

public static void downImages(String filePath, String imgUrl) { 
        // 若没有指定文件夹，则先创建
        File dir = new File(filePath);
        if (!dir.exists()) { 
            dir.mkdirs();
        }
        // 截取图片文件名
        String fileName = imgUrl.substring(imgUrl.lastIndexOf('/') + 1, imgUrl.length());
    
        try { 
            // 文件名里面可能有中文或者空格，所以这里要进行处理。但空格又会被URLEncoder转义为加号
            String urlTail = URLEncoder.encode(fileName, "UTF-8");
            // 因此要将加号转化为UTF-8格式
            imgUrl = imgUrl.substring(0, imgUrl.lastIndexOf('/') + 1) + urlTail.replaceAll("\\+", "\\%20");
    
        } catch (UnsupportedEncodingException e) { 
            e.printStackTrace();
        }
        // 写出的路径
        File file = new File(filePath + File.separator + fileName);
    
        try { 
            // 获取图片URL
            URL url = new URL(imgUrl);
            // 获得连接
            URLConnection connection = url.openConnection();
            // 设置10秒的相应时间
            connection.setConnectTimeout(10 * 1000);
            // 获得输入流
            InputStream in = connection.getInputStream();
            // 获得输出流
            BufferedOutputStream out = new BufferedOutputStream(new FileOutputStream(file));
            // 构建缓冲区
            byte[] buf = new byte[1024];
            int size;
            // 写入到文件
            while (-1 != (size = in.read(buf))) { 
                out.write(buf, 0, size);
            }
            out.close();
            in.close();
        } catch (MalformedURLException e) { 
            e.printStackTrace();
        } catch (IOException e) { 
            e.printStackTrace();
        }
    }

然后使用Jsoup连接到网页，将图片下载到本地文件夹中。

public static void main(String[] args) { 
        // 利用Jsoup获得连接
        Connection connect = Jsoup.connect("https://pic.netbian.com/4kqiche/");
        try { 
            // 得到Document对象
            Document document = connect.get();
            // 查找所有img标签
            Elements imgs = document.getElementsByTag("img");
            System.out.println("共检测到下列图片URL：");
            System.out.println("开始下载");
            // 遍历img标签并获得src的属性
            for (Element element : imgs) { 
                //获取每个img标签URL "abs:"表示绝对路径
                String imgSrc = element.attr("abs:src");
                // 打印URL
                System.out.println(imgSrc);
                //下载图片到本地
                img.downImages("f:/img", imgSrc);
            }
            System.out.println("下载完成");
        } catch (IOException e) { 
            e.printStackTrace();
        }
    }

运行结果:  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU0MDY4MQ_size_16_color_FFFFFF_t_70_pic_center]

图片也已经下载到本地文件夹中了  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU0MDY4MQ_size_16_color_FFFFFF_t_70_pic_center 1]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU0MDY4MQ_size_16_color_FFFFFF_t_70_pic_center]: /images/20221020/f5ef81715a264043bc7dc1dcea875335.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDU0MDY4MQ_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221020/24aadb2c8df643658344bf5061530215.png