基於RxJava2實現的簡單圖片爬蟲
今年十月份以來，跟朋友嘗試導入一些圖片到tensorflow來生成模型，這就須要大量的圖片。剛開始我只寫了一個簡單的HttpClient程序來抓取圖片，後來爲了通用性索性寫一個簡單的圖片爬蟲程序。它能夠用於抓取單張圖片、多張圖片、某個網頁下的全部圖片、多個網頁下的全部圖片。html
github地址：github.com/fengzhizi71…java
這個爬蟲使用了HttpClient、RxJava2以及Java 8的一些特性。它支持一些簡單的定製，好比定製User-Agent、Referer、Cookies等。git
一.下載安裝:
對於Java項目若是使用gradle構建，因爲默認不是使用jcenter，須要在相應module的build.gradle中配置github
repositories {
mavenCentral()
jcenter()
}複製代碼
Gradle:網絡
compile 'com.cv4j.piccrawler:crawler:0.2.1'複製代碼
Maven:異步
<dependency>
<groupId>com.cv4j.piccrawler</groupId>
<artifactId>crawler</artifactId>
<version>0.2.1</version>
<type>pom</type>
</dependency>複製代碼
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) // 重複200次
.build()
.downloadPic(url);複製代碼
在這裏，timeOut()表示網絡請求的超時時間。fileStrategy()表示存放的目錄、文件使用的格式、生成的文件時使用何種策略。repeat()表示對該圖片請求重複的次數。maven
PicCrawler支持多種文件的生成策略，好比隨機生成文件名、從1開始自增加地生成文件名、生成指定的文件名等等。ide
下圖顯示了使用該程序對某驗證碼的圖片下載200次。
性能
- 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);複製代碼
- 使用RxJava，下載以後的圖片還能作後續的處理
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
}
});複製代碼
在Consumer中，能夠對文件作一些後續的處理。gradle
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);複製代碼
2.3 下載某個網頁的所有圖片
String url = "http://www.jianshu.com/u/4f2c483c12d8"; // 針對某一網址
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);複製代碼
使用上面的程序，對我簡書主頁上的圖片進行抓取。
2.4 下載多個網頁的所有圖片
List<String> urls = new ArrayList<>(); // 多個網頁的集合
urls.add("http://www.jianshu.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);複製代碼
下載我的簡書主頁上的圖以及開發者頭條的圖片。
三. 部分源碼解析
3.1 下載某個網頁的所有圖片
downloadWebPageImages()方法表示下載某個url的所有圖片。
/** * 下載整個網頁的所有圖片 * @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()));
}複製代碼
downloadWebPageImages()分紅三步：建立網絡請求、解析出當前頁面中包含的圖片路徑、下載這些圖片。
第一步，建立網絡請求使用了HttpClient。
public CloseableHttpResponse createHttpWithGet(String url) {
// 獲取客戶端鏈接對象
CloseableHttpClient httpClient = getHttpClient();
// 建立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;
// 執行請求
try {
response = httpClient.execute(httpGet);
} catch (IOException e) {
e.printStackTrace();
}
return response;
}複製代碼
第二步，將返回的response轉換成String類型，使用jsoup將帶有圖片的連接所有過濾出來。
jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套很是省力的API，可經過DOM，CSS以及相似於jQuery的操做方法來取出和操做數據。
private List<String> parseHtmlToImages(CloseableHttpResponse response) {
// 獲取響應實體
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"))) { // 圖片的絕對路徑不爲空
String picUrl = src.attr("abs:src");
log.info(picUrl);
urls.add(picUrl);
} else if (Preconditions.isNotBlank(src.attr("src"))){ // 圖片的相對路徑不爲空
String picUrl = src.attr("src").replace("//","");
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("釋放連接錯誤");
e.printStackTrace();
}
}
return urls;
}複製代碼
第三步，下載這些圖片使用了Java 8的CompletableFuture。CompletableFuture是Java 8新增的用於異步處理的類，並且CompletableFuture的性能也好於傳統的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();
}
});
}
}複製代碼
3.2 下載多個網頁的所有圖片
downloadWebPageImages()方法還支持傳List集合，表示多個網頁的地址。
/** * 下載多個網頁的所有圖片 * @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()));
}
}複製代碼
在這裏其實用到了ParallelFlowable，由於parallel()能夠把Flowable轉成ParallelFlowable。
總結
PicCrawler 是一個簡單的圖片爬蟲，目前基本能夠知足個人需求。將來要是有新的需求，我會不斷添加功能。
在作PicCrawler時，其實還作了一個ProxyPool用於獲取可用代理池的庫，它也是基於RxJava2實現的。
相關文章
- 1. python3實現簡單圖片爬蟲
- 2. 爬蟲的簡單實現
- 3. 簡單爬蟲-爬貼吧圖片
- 4. 【簡易Python爬蟲】 初試爬蟲_簡易Python圖片爬蟲實現
- 5. pyrthon 簡單爬蟲實現
- 6. Webmagic爬蟲簡單實現
- 7. erlang實現簡單爬蟲
- 8. python 實現簡單爬蟲
- 9. Python爬蟲簡單實現之Q樂園圖片下載
- 10. python實現簡單圖片爬蟲並保存
- 更多相關文章...
- • Markdown 圖片 - Markdown 教程
- • 現實生活中的 XML - XML 教程
- • ☆基於Java Instrument的Agent實現
- • TiDB 在摩拜單車在線數據業務的應用和實踐
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. python3實現簡單圖片爬蟲
- 2. 爬蟲的簡單實現
- 3. 簡單爬蟲-爬貼吧圖片
- 4. 【簡易Python爬蟲】 初試爬蟲_簡易Python圖片爬蟲實現
- 5. pyrthon 簡單爬蟲實現
- 6. Webmagic爬蟲簡單實現
- 7. erlang實現簡單爬蟲
- 8. python 實現簡單爬蟲
- 9. Python爬蟲簡單實現之Q樂園圖片下載
- 10. python實現簡單圖片爬蟲並保存