第一篇文章，就从一个简单爬虫开始吧。
这只虫子的功能很简单，抓取到”煎蛋网xxoo”网页(/ooxx/page-1537)，解析出其中的妹子图，保存至本地。
先放结果：
从程序来讲，分为三个步骤：
1、发起一个http请求，获取返回的response内容；
2、解析内容，分离出有效图片的url；
3、根据这些图片的url，生成图片保存至本地。
开始详细说明：
准备工作：HttpClient的Jar包，访问/ 自行下载。
主程序内容：
public class SimpleSpider {//起始页码private static final int page = 1538;public static void main(String[] args) {//HttpClient 超时配置RequestConfig globalConfig = RequestConfig.custom().setCookieSpec(CookieSpecs.STANDARD).setConnectionRequestTimeout(6000).setConnectTimeout(6000).build();CloseableHttpClient httpClient = HttpClients.custom().setDefaultRequestConfig(globalConfig).build();System.out.println("5秒后开始抓取煎蛋妹子图……");for (int i = page; i > 0; i--) {//创建一个GET请求HttpGet httpGet = new HttpGet("/ooxx/page-" + i);httpGet.addHeader("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.152 Safari/537.36");httpGet.addHeader("Cookie","_gat=1; nsfw-click-load=off; gif-click-load=on; _ga=GA1.2.1861846600.1423061484");try {//不敢爬太快Thread.sleep(5000);//发送请求，并执行CloseableHttpResponse response = httpClient.execute(httpGet);InputStream in = response.getEntity().getContent();String html = Utils.convertStreamToString(in);//网页内容解析new Thread(new JianDanHtmlParser(html, i)).start();} catch (Exception e) {e.printStackTrace();}}}}
HttpClient是一个非常强大的工具，属于apache下项目。如果只是创建一个默认的httpClient实例，代码很简单，官网手册上有详细说明。
可以看到在创建一个GET请求时，加入了请求头。第一个User-Agent代表所使用浏览器。有些网站需要明确了解用户所使用的浏览器，而有些不需要。个人猜测，部分网站根据用户使用浏览器不同显示不一样。这里的煎蛋网，就必须得加入请求头。第二个Cookie则代表了一些用户设置，可以没有。使用chrome的开发者工具就能清楚看到。如果是https加密后的，则需要特殊的抓包工具。
网页内容解析
public class JianDanHtmlParser implements Runnable {private String html;private int page;public JianDanHtmlParser(String html,int page) {this.html = html;this.page = page;}@Overridepublic void run() {System.out.println("==========第"+page+"页============");List<String> list = new ArrayList<String>();html = html.substring(html.indexOf("commentlist"));String[] images = html.split("li>");for (String image : images) {String[] ss = image.split("br");for (String s : ss) {if (s.indexOf("<img src=") > 0) {try{int i = s.indexOf("<img src=\"") + "<img src=\"".length();list.add(s.substring(i, s.indexOf("\"", i + 1)));}catch (Exception e) {System.out.println(s);}}}}for(String imageUrl : list){if(imageUrl.indexOf("sina")>0){new Thread(new JianDanImageCreator(imageUrl,page)).start();}}}}
这段代码看起来凌乱，但实际上却特别简单。简单说便是，将response返回的html字符串解析，截取，找到真正需要的内容（图片url），存入到临时容器中。
生成图片类
public class JianDanImageCreator implements Runnable {private static int count = 0;private String imageUrl;private int page;//存储路径，自定义private static final String basePath = "E:/jiandan"; public JianDanImageCreator(String imageUrl,int page) {this.imageUrl = imageUrl;this.page = page;}@Overridepublic void run() {File dir = new File(basePath);if(!dir.exists()){dir.mkdirs();System.out.println("图片存放于"+basePath+"目录下");}String imageName = imageUrl.substring(imageUrl.lastIndexOf("/")+1);try {File file = new File( basePath+"/"+page+"--"+imageName);OutputStream os = new FileOutputStream(file);//创建一个url对象URL url = new URL(imageUrl);InputStream is = url.openStream();byte[] buff = new byte[1024];while(true) {int readed = is.read(buff);if(readed == -1) {break;}byte[] temp = new byte[readed];System.arraycopy(buff, 0, temp, 0, readed);//写入文件os.write(temp);}System.out.println("第"+(count++)+"张妹子:"+file.getAbsolutePath());is.close(); os.close();} catch (Exception e) {e.printStackTrace();}}}
根据每个图片的src地址创建一个URL对象，再使用字节流，生成本地文件。
这个程序相对来说比较简单，纯属娱乐。如果能让那些不了解HttpClient的同学对这个库产生兴趣，则功德无量。
github地址：/nbsa/SimpleSpider
PS:这个博客只提供抓取图片的方法，图片版权属于原网站及其网友。请大家尊重原网劳动成果，避免分发、传播图片内容。
from:/nbspL/p/4780792.html?utm_source=tuicool&utm_medium=referral
