利用Jsoup扒取百度图片

墨蓝 2022-06-04 00:44 157阅读 0赞

因为业务的需求，需要去百度图片搜索中搜索相应的图片，但是得批量完成，因为人工搜索图片效率太低，所以只能通过扒取网页的形式，扒取图片。然后将图片存储在本地的文件下面。

下面我将用Jsoup来扒取百度图片，并通过java中io保存在本地文件中。

**步骤大致可以分为三个模块：一是获取网页的资源，二是解析获取的资源，取出我们想要的图片URL地址，三是通过java的io存储在本地文件中。**

**获取网页资源的核心模块就是通过Jsoup去获取网页的内容，具体核心代码如下：**

private static List<JsoupImageVO> findImageNoURl(String hotelId, String url, int timeOut) {
            List<JsoupImageVO> result = new ArrayList<JsoupImageVO>();
            Document document = null;
            try {
                document = Jsoup.connect(url).data("query", "Java")//请求参数
                        .userAgent("Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)")//设置urer-agent  get();
                        .timeout(timeOut)
                        .get();
                String xmlSource = document.toString();
                result = dealResult(xmlSource, hotelId);
            } catch (Exception e) {
                String defaultURL = "http://qnimg.zowoyoo.com/img/15463/1509533934407.jpg";
                result = dealResult(defaultURL,hotelId);
            }
            return result;
        }

**其中URL地址是百度图片搜索的地址，具体调用代码如下：**

public static List<JsoupImageVO> findImage(String hotelName, String hotelId, int page) {
            int number=5;
            String url = "http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=" + hotelName + "&cg=star&pn=" + page * 30 + "&rn="+number+"&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=" + Integer.toHexString(page * 30);
            int timeOut = 5000;
            return findImageNoURl(hotelId, url, timeOut);
        }

这里需要注意的是：word是我们要搜索的关键字，pn是显示的页码，rn是一页显示多少个数据。

**解析网页的资源，然后封装起来。核心代码如下：**

private static List<JsoupImageVO> dealResult(String xmlSource, String hotelId) {
            List<JsoupImageVO> result = new ArrayList<JsoupImageVO>();
            xmlSource = StringEscapeUtils.unescapeHtml3(xmlSource);
            String reg = "objURL\":\"http://.+?\\.(gif|jpeg|png|jpg|bmp)";
            Pattern pattern = Pattern.compile(reg);
            Matcher m = pattern.matcher(xmlSource);
            while (m.find()) {
                JsoupImageVO jsoupImageVO = new JsoupImageVO();
                String imageURL = m.group().substring(9);
                if(imageURL==null || "".equals(imageURL)){
                    String defaultURL = "http://qnimg.zowoyoo.com/img/15463/1509533934407.jpg";
                    jsoupImageVO.setUrl(defaultURL);
                }else{
                    jsoupImageVO.setUrl(imageURL);
                }
                jsoupImageVO.setName(hotelId);
                result.add(jsoupImageVO);
            }
            return result;
        }

这里最主要的地方就是reg这个正则表达式，通过正则表达式，去网页中解析符合规定的图片URL地址，然后封装在对象中。

**最后一部分就是通过java的io流去图片地址获取图片，并保存在本地。核心代码如下：**

//根据图片网络地址下载图片
        public static void download(String url,String name,String path){
            File file= null;
            File dirFile=null;
            FileOutputStream fos=null;
            HttpURLConnection httpCon = null;
            URLConnection con = null;
            URL urlObj=null;
            InputStream in =null;
            byte[] size = new byte[1024];
            int num=0;
            try {
                dirFile = new File(path);
                if(dirFile.exists()){
                    dirFile.delete();
                }
                dirFile.mkdir();
                file = new File(path+"//"+name+".jpg");
                fos = new FileOutputStream(file);
                if(url.startsWith("http")){
                    urlObj = new URL(url);
                    con = urlObj.openConnection();
                    httpCon =(HttpURLConnection) con;
                    in = httpCon.getInputStream();
                    while((num=in.read(size)) != -1){
                        for(int i=0;i<num;i++)
                            fos.write(size[i]);
                    }
                }
            }catch (FileNotFoundException notFoundE) {
                LogUtils.writeLog("找不到该网络图片....");
            }catch(NullPointerException nullPointerE){
                LogUtils.writeLog("找不到该网络图片....");
            }catch(IOException ioE){
                LogUtils.writeLog("产生IO异常.....");
            }catch (Exception e) {
                e.printStackTrace();
            }finally{
                try {
                    fos.close();
                } catch (Exception e) {
                    e.printStackTrace();
                }
            }
        }

这里面的操作都是java中io篇一些基础的操作，有不懂的可以去看看java中io模块的内容。

因为我这边是maven项目，所以在开发前需要引入Jsoup依赖才可以。

GitHub地址：[https://github.com/1913045515/Jsoup/tree/master][https_github.com_1913045515_Jsoup_tree_master]  
**大致的过程就是这样，如果对上面的内容还有什么疑义或者问题都可以加微信：qiang220316咨询**

**下面是我个人一个订阅号，里面我会定期更新一下技术文章，大家有兴趣的可以加一下。**

![Center][]

我的博客即将同步至腾讯云+社区，邀请大家一同入驻。

[https_github.com_1913045515_Jsoup_tree_master]: https://github.com/1913045515/Jsoup/tree/master
[Center]: /images/20220604/b008bdf927ef48888cf2376011c6104c.png