【系列教程一】谁说 java 不能做爬虫？我第一个不服！

柔情只为你懂 2024-03-23 14:54 75阅读 0赞

**先做一个调研，现在传统的Java后端非常卷，不太好找工作，大家有没有兴趣用Java搞爬虫（本人就是后端转爬虫），我接下来可以出关于爬虫类的文章，包括ip、js逆向、cookie反爬、请求响应参数加解密、浏览器指纹分析及常见的反爬手段。评论区告诉我！！！**

可能大部分用户觉得，数据爬取方面 python 很厉害，其实 java 也很厉害，比如我们今天要介绍的这款工具库：**Jsoup**。

官方解释如下：

> jsoup 是一个用于处理 HTML 的 Java 库。它提供了一些非常方便的 API，用于提取和操作 HTML 页面数据，比如 DOM，CSS 等元素。

由于 jsoup 的 API 方法使用上与 jQuery 极其接近，因此如果你了解过 jQuery，那么可以轻而易举地上手这款框架。

那么如何使用它呢，下面我们一起来看看！

**maven：**

<dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.14.2</version>
    </dependency>

## 一、爬取网站图片 ##

在爬取网站图片之前，我们需要分析该网站的结构。我们可以使用浏览器的开发者工具来查看网站的源代码。打开该网站后，我们可以在浏览器的菜单栏中点击“工具”-“开发者工具”，然后切换到“网络”标签，刷新页面，就可以看到该网站的请求。

通过查看请求，我们可以看到该网站的图片是通过以下接口获取的：http://www.cgtpw.com/ctmn/ajax.php?act=ctmn&cat\_id=0&page=1。其中，page表示页码。我们可以通过修改page的值来获取不同页的图片。

了解了网站的结构之后，我们就可以开始编写Java程序来爬取该网站的图片了。

## 二、异步下载图片 ##

在爬取图片时，我们需要注意两个问题：下载图片的数量和下载图片的速度。如果一次性下载大量图片，会占用太多的内存和网络带宽，导致程序运行缓慢。另外，如果下载速度过慢，也会影响程序的运行效率。因此，我们需要采用异步下载的技术来解决这个问题。

Java提供了多种异步下载图片的方式，比如使用线程池、使用Java 8中的CompletableFuture等。本文将介绍使用Java 8中的CompletableFuture来异步下载图片。

首先，我们需要创建一个方法来下载图片。该方法接受一个图片的URL作为参数，返回一个CompletableFuture对象，该对象用于异步下载图片。代码如下：

private static CompletableFuture<Void> downloadImage(String imageUrl) {
        return CompletableFuture.runAsync(() -> {
            try {
                URL url = new URL(imageUrl);
                HttpURLConnection conn = (HttpURLConnection) url.openConnection();
                conn.setRequestMethod("GET");
                conn.setConnectTimeout(5000);
                conn.setReadTimeout(5000);
                conn.connect();
                if (conn.getResponseCode() == HttpURLConnection.HTTP_OK) {
                    String fileName = imageUrl.substring(imageUrl.lastIndexOf("/") + 1);
                    File file = new File("images/" + fileName);
                    InputStream inputStream = conn.getInputStream();
                    FileOutputStream outputStream = new FileOutputStream(file);
                    byte[] buffer = new byte[1024];
                    int len = -1;
                    while ((len = inputStream.read(buffer)) != -1) {
                        outputStream.write(buffer, 0, len);
                    }
                    inputStream.close();
                    outputStream.close();
                    System.out.println("Downloaded: " + fileName);
                } else {
                    System.out.println("Failed to download: " + imageUrl);
                }
            } catch (Exception e) {
                System.out.println("Failed to download: " + imageUrl + ", " + e.getMessage());
    }
    });
    }

该方法通过异步方式下载图片，并保存到images目录下。如果下载成功，则打印“Downloaded: 文件名”，否则打印“Failed to download: 图片URL”。

接下来，我们需要编写一个方法来批量下载图片。该方法接受一个图片URL列表作为参数，使用CompletableFuture.allOf()方法将所有异步下载任务合并为一个CompletableFuture对象，并使用join()方法等待所有任务完成。代码如下：

private static void downloadImages(List<String> imageUrls) {
        List<CompletableFuture<Void>> futures = new ArrayList<>();
        for (String imageUrl : imageUrls) {
            futures.add(downloadImage(imageUrl));
        }
        CompletableFuture.allOf(futures.toArray(new CompletableFuture[futures.size()])).join();
    }

该方法将所有异步下载任务合并为一个CompletableFuture对象，并使用join()方法等待所有任务完成。

## 三、翻页爬取 ##

由于该网站的图片是分页显示的，因此我们需要编写一个方法来翻页爬取。该方法接受一个页码作为参数，获取该页的图片URL列表，并调用异步下载方法下载图片。代码如下：

private static void crawlPage(int page) {
        try {
            String url = "http://www.cgtpw.com/ctmn/ajax.php?act=ctmn&cat_id=0&page=" + page;
            Document doc = Jsoup.connect(url).get();
            Elements elements = doc.select("div.list-box img");
            List<String> imageUrls = new ArrayList<>();
            for (Element element : elements) {
                String imageUrl = element.attr("data-src");
                imageUrls.add(imageUrl);
            }
            downloadImages(imageUrls);
        } catch (Exception e) {
            System.out.println("Failed to crawl page: " + page + ", " + e.getMessage());
        }
    }

该方法通过Jsoup库获取网页内容，并解析出图片URL列表。然后调用异步下载方法下载图片。如果下载失败，则打印“Failed to crawl page: 页码，错误信息”。

最后，我们可以编写一个main方法来执行翻页爬取的任务。该方法可以指定起始页码和结束页码，循环爬取每一页的图片。代码如下：

public static void main(String[] args) {
        int startPage = 1;
        int endPage = 10;
        for (int i = startPage; i <= endPage; i++) {
            crawlPage(i);
        }
    }

该方法从startPage开始，循环爬取每一页的图片，直到endPage结束。

## 四、总结 ##

本文介绍了如何用Java实现爬取http://www.cgtpw.com/ctmn这个网站图片的过程，并采用异步下载和翻页爬取的技术，以提高爬取效率。在爬取网站图片时，我们需要注意下载图片的数量和下载图片的速度，可以采用异步下载的技术来解决这个问题。另外，由于该网站的图片是分页显示的，因此我们需要编写一个方法来翻页爬取。在实际开发过程中，还需要考虑一些其他因素，例如网站反爬机制、网络波动等问题。如果网站有反爬机制，我们可以采用一些反反爬的技术，例如使用代理IP、设置User-Agent等；如果网络波动导致下载失败，我们可以增加重试机制，使程序更加健壮。

## 完整代码奉上： ##

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.io.InputStream;
    import java.net.HttpURLConnection;
    import java.net.URL;
    import java.util.ArrayList;
    import java.util.List;
    import java.util.concurrent.CompletableFuture;
    
    public class TestCrawler {
    
        public static void main(String[] args) {
            int startPage = 1;
            int endPage = 10;
            for (int i = startPage; i <= endPage; i++) {
                crawlPage(i);
            }
        }
    
        private final static String savePath = "C:\\Users\\Administrator\\Desktop\\image\\";
    
        private static CompletableFuture<Void> downloadImage(ImageVO imageVO) {
            return CompletableFuture.runAsync(() -> {
                try {
                    String imageUrl  = imageVO.getImageUrl();
                    URL url = new URL(imageUrl);
                    HttpURLConnection conn = (HttpURLConnection) url.openConnection();
                    conn.setRequestMethod("GET");
                    conn.setConnectTimeout(5000);
                    conn.setReadTimeout(5000);
                    conn.connect();
                    if (conn.getResponseCode() == HttpURLConnection.HTTP_OK) {
                        String fileName = imageVO.getName()+imageUrl.substring(imageUrl.lastIndexOf(".") );
                        File file = new File(savePath + fileName);
                        InputStream inputStream = conn.getInputStream();
                        FileOutputStream outputStream = new FileOutputStream(file);
                        byte[] buffer = new byte[1024];
                        int len = -1;
                        while ((len = inputStream.read(buffer)) != -1) {
                            outputStream.write(buffer, 0, len);
                        }
                        inputStream.close();
                        outputStream.close();
                        System.out.println("Downloaded: " + fileName);
                    } else {
                        System.out.println("Failed to download: " + imageUrl);
                    }
                } catch (Exception e) {
                    System.out.println("Failed to download: " + imageVO.getImageUrl() + ", " + e.getMessage());
                }
            });
        }
    
        private static void downloadImages(List<ImageVO> imageVOList) {
            List<CompletableFuture<Void>> futures = new ArrayList<>();
            for (ImageVO imageVO : imageVOList) {
                futures.add(downloadImage(imageVO));
            }
            CompletableFuture.allOf(futures.toArray(new CompletableFuture[futures.size()])).join();
        }
    
        private static void crawlPage(int page) {
            try {
                String url = "http://www.cgtpw.com/ctmn/index_" + page + ".html";
                Document doc = Jsoup.connect(url).get();
                Elements elements = doc.select("ul.listBox2 > li > a > img");
                List<ImageVO> imageUrls = new ArrayList<>();
                for (Element element : elements) {
                    ImageVO imageVO = new ImageVO();
                    String imageUrl = element.attr("src");
                    String name = element.attr("alt");
                    imageVO.setName(name);
                    imageVO.setImageUrl(imageUrl);
                    imageUrls.add(imageVO);
                }
                downloadImages(imageUrls);
            } catch (Exception e) {
                System.out.println("Failed to crawl page: " + page + ", " + e.getMessage());
            }
        }
    
        public  static  class ImageVO{
            public String getName() {
                return name;
            }
    
            public void setName(String name) {
                this.name = name;
            }
    
            public String getImageUrl() {
                return imageUrl;
            }
    
            public void setImageUrl(String imageUrl) {
                this.imageUrl = imageUrl;
            }
    
            private String name;
            private String imageUrl;
        }
    }