今年十月份以來稳其，跟朋友嘗試導(dǎo)入一些圖片到tensorflow來生成模型，這就需要大量的圖片炸卑。剛開始我只寫了一個簡單的HttpClient程序來抓取圖片既鞠，后來為了通用性索性寫一個簡單的圖片爬蟲程序。它可以用于抓取單張圖片矾兜、多張圖片损趋、某個網(wǎng)頁下的所有圖片、多個網(wǎng)頁下的所有圖片椅寺。
github地址：https://github.com/fengzhizi715/PicCrawler
這個爬蟲使用了HttpClient浑槽、RxJava2以及Java 8的一些特性。它支持一些簡單的定制返帕，比如定制User-Agent桐玻、Referer、Cookies等荆萤。
一.下載安裝:
對于Java項目如果使用gradle構(gòu)建镊靴，由于默認不是使用jcenter铣卡，需要在相應(yīng)module的build.gradle中配置
repositories {
mavenCentral()
jcenter()
}
Gradle:
compile 'com.cv4j.piccrawler:crawler:0.2.1'
Maven:
<dependency>
<groupId>com.cv4j.piccrawler</groupId>
<artifactId>crawler</artifactId>
<version>0.2.1</version>
<type>pom</type>
</dependency>
二.使用方法：
2.1 下載單張圖片
- 普通方式
String url = "..."; // 圖片的地址
CrawlerClient.get()
.timeOut(6000)
.fileStrategy(new FileStrategy() {
@Override
public String filePath() {
return "temp";
}
@Override
public String picFormat() {
return "png";
}
@Override
public FileGenType genType() {
return FileGenType.AUTO_INCREMENT;
}
})
.repeat(200) // 重復(fù)200次
.build()
.downloadPic(url);
在這里，timeOut()表示網(wǎng)絡(luò)請求的超時時間偏竟。fileStrategy()表示存放的目錄煮落、文件使用的格式、生成的文件時使用何種策略踊谋。repeat()表示對該圖片請求重復(fù)的次數(shù)蝉仇。
PicCrawler支持多種文件的生成策略，比如隨機生成文件名殖蚕、從1開始自增長地生成文件名轿衔、生成指定的文件名等等。
下圖顯示了使用該程序?qū)δ瞅炞C碼的圖片下載200次睦疫。
- 使用RxJava的方式下載
String url = "..."; // 圖片的地址
CrawlerClient.get()
.timeOut(6000)
.fileStrategy(new FileStrategy() {
@Override
public String filePath() {
return "temp";
}
@Override
public String picFormat() {
return "png";
}
@Override
public FileGenType genType() {
return FileGenType.AUTO_INCREMENT;
}
})
.repeat(200)
.build()
.downloadPicUseRx(url);
- 使用RxJava害驹，下載之后的圖片還能做后續(xù)的處理
String url = "..."; // 圖片的地址
CrawlerClient.get()
.timeOut(6000)
.fileStrategy(new FileStrategy() {
@Override
public String filePath() {
return "temp";
}
@Override
public String picFormat() {
return "png";
}
@Override
public FileGenType genType() {
return FileGenType.AUTO_INCREMENT;
}
})
.repeat(200)
.build()
.downloadPicToFlowable(url)
.subscribe(new Consumer<File>() {
@Override
public void accept(File file) throws Exception {
// do something
}
});
在Consumer中，可以對文件做一些后續(xù)的處理蛤育。
2.2 下載多張圖片
List<String> urls = ...; // 多張圖片地址的集合
CrawlerClient.get()
.timeOut(6000)
.fileStrategy(new FileStrategy() {
@Override
public String filePath() {
return "temp";
}
@Override
public String picFormat() {
return "png";
}
@Override
public FileGenType genType() {
return FileGenType.AUTO_INCREMENT;
}
})
.build()
.downloadPics(urls);
2.3 下載某個網(wǎng)頁的全部圖片
String url = "http://www.reibang.com/u/4f2c483c12d8"; // 針對某一網(wǎng)址
CrawlerClient.get()
.timeOut(6000)
.fileStrategy(new FileStrategy() {
@Override
public String filePath() {
return "temp";
}
@Override
public String picFormat() {
return "png";
}
@Override
public FileGenType genType() {
return FileGenType.AUTO_INCREMENT;
}
})
.build()
.downloadWebPageImages(url);
使用上面的程序宛官，對我簡書主頁上的圖片進行抓取。
2.4 下載多個網(wǎng)頁的全部圖片
List<String> urls = new ArrayList<>(); // 多個網(wǎng)頁的集合
urls.add("http://www.reibang.com/u/4f2c483c12d8");
urls.add("https://toutiao.io/");
CrawlerClient.get()
.timeOut(6000)
.fileStrategy(new FileStrategy() {
@Override
public String filePath() {
return "temp";
}
@Override
public String picFormat() {
return "png";
}
@Override
public FileGenType genType() {
return FileGenType.AUTO_INCREMENT;
}
})
.build()
.downloadWebPageImages(urls);
下載個人簡書主頁上的圖以及開發(fā)者頭條的圖片瓦糕。
三. 部分源碼解析
3.1 下載某個網(wǎng)頁的全部圖片
downloadWebPageImages()方法表示下載某個url的全部圖片摘刑。
/**
* 下載整個網(wǎng)頁的全部圖片
* @param url
*/
public void downloadWebPageImages(String url) {
Flowable.just(url)
.map(s->httpManager.createHttpWithGet(s))
.map(response->parseHtmlToImages(response))
.subscribe(urls -> downloadPics(urls),
throwable-> System.out.println(throwable.getMessage()));
}
downloadWebPageImages()分成三步：創(chuàng)建網(wǎng)絡(luò)請求、解析出當(dāng)前頁面中包含的圖片路徑刻坊、下載這些圖片。
第一步党晋，創(chuàng)建網(wǎng)絡(luò)請求使用了HttpClient谭胚。
public CloseableHttpResponse createHttpWithGet(String url) {
// 獲取客戶端連接對象
CloseableHttpClient httpClient = getHttpClient();
// 創(chuàng)建Get請求對象
HttpGet httpGet = new HttpGet(url);
if (Preconditions.isNotBlank(httpParam)) {
Map<String,String> header = httpParam.getHeader();
if (Preconditions.isNotBlank(header)) {
for (String key : header.keySet()) {
httpGet.setHeader(key,header.get(key));
}
}
}
CloseableHttpResponse response = null;
// 執(zhí)行請求
try {
response = httpClient.execute(httpGet);
} catch (IOException e) {
e.printStackTrace();
}
return response;
}
第二步，將返回的response轉(zhuǎn)換成String類型未玻，使用jsoup將帶有圖片的鏈接全部過濾出來灾而。
jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址扳剿、HTML文本內(nèi)容旁趟。它提供了一套非常省力的API，可通過DOM庇绽，CSS以及類似于jQuery的操作方法來取出和操作數(shù)據(jù)锡搜。
private List<String> parseHtmlToImages(CloseableHttpResponse response) {
// 獲取響應(yīng)實體
HttpEntity entity = response.getEntity();
InputStream is = null;
String html = null;
try {
is = entity.getContent();
html = IOUtils.inputStream2String(is);
} catch (IOException e) {
e.printStackTrace();
}
Document doc = Jsoup.parse(html);
Elements media = doc.select("[src]");
List<String> urls = new ArrayList<>();
if (Preconditions.isNotBlank(media)) {
for (Element src : media) {
if (src.tagName().equals("img")) {
if (Preconditions.isNotBlank(src.attr("abs:src"))) { // 圖片的絕對路徑不為空
String picUrl = src.attr("abs:src");
log.info(picUrl);
urls.add(picUrl);
} else if (Preconditions.isNotBlank(src.attr("src"))){ // 圖片的相對路徑不為空
String picUrl = src.attr("src").replace("http://","");
picUrl = "http://"+Utils.tryToEscapeUrl(picUrl);
log.info(picUrl);
urls.add(picUrl);
}
}
}
}
if (response != null) {
try {
EntityUtils.consume(response.getEntity());
response.close();
} catch (IOException e) {
System.err.println("釋放鏈接錯誤");
e.printStackTrace();
}
}
return urls;
}
第三步，下載這些圖片使用了Java 8的CompletableFuture瞧掺。CompletableFuture是Java 8新增的用于異步處理的類耕餐，而且CompletableFuture的性能也好于傳統(tǒng)的Future。
/**
* 下載多張圖片
* @param urls
*/
public void downloadPics(List<String> urls) {
if (Preconditions.isNotBlank(urls)) {
urls.stream().parallel().forEach(url->{
try {
CompletableFuture.runAsync(() -> downloadPic(url)).get();
} catch (InterruptedException e) {
e.printStackTrace();
} catch (ExecutionException e) {
e.printStackTrace();
}
});
}
}
3.2 下載多個網(wǎng)頁的全部圖片
downloadWebPageImages()方法還支持傳List集合辟狈，表示多個網(wǎng)頁的地址肠缔。
/**
* 下載多個網(wǎng)頁的全部圖片
* @param urls
*/
public void downloadWebPageImages(List<String> urls) {
if (Preconditions.isNotBlank(urls)) {
Flowable.fromIterable(urls)
.parallel()
.map(url->httpManager.createHttpWithGet(url))
.map(response->parseHtmlToImages(response))
.sequential()
.subscribe(list -> downloadPics(list),
throwable-> System.out.println(throwable.getMessage()));
}
}
在這里其實用到了ParallelFlowable夏跷，因為parallel()可以把Flowable轉(zhuǎn)成ParallelFlowable。
總結(jié)
PicCrawler 是一個簡單的圖片爬蟲明未，目前基本可以滿足我的需求槽华。未來要是有新的需求，我會不斷添加功能趟妥。
在做PicCrawler時猫态，其實還做了一個ProxyPool用于獲取可用代理池的庫，它也是基于RxJava2實現(xiàn)的煮纵。
