爬虫的原理获取html中的图片到本地

如果你想获取哪个网页的图片，如果你想知道那个网址的美女，还等什么。代码走起：下载即可使用

完成这次瞎爬的原理如下：

　第一步：获取html内容
* 第二步：然后在获取的html文本中寻找图片，根据html标记语言不难发现图片通常带有<img>
* 第三步：然后获取img标签信息中找取图片的地址信息，需要构造图片地址的正则表达式
* 第四步：最后通过图片地址信息下载图片

package com.huojg.reptile;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.ArrayList;
import java.util.Date;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
* 玩玩爬虫。写个小程序，获取url图片美女
*
* 第一步：获取html内容
* 第二步：然后在获取的html文本中寻找图片，根据html标记语言不难发现图片通常带有<img>，所以
* 第三步：然后获取img标签信息中找取图片的地址信息，需要构造图片地址的正则表达式
* 第四步：最后通过图片地址信息下载图片
* */
public class Reptile {
// 地址
private static final String URL = "http://www.uml.org.cn/oobject/201104212.asp";
// 2.获取img标签正则
private static final String IMGURL_REG = "<img.*src=(.*?)[^>]*?>";
// 获取src路径的正则
private static final String IMGSRC_REG = "[a-zA-z]+://[^\\s]*";

public static void main(String[] args) {
try {
Reptile cm=new Reptile();
//获得html文本内容
String HTML = cm.getHtml(URL);
//获取图片标签
List<String> imgUrl = cm.getImageUrl(HTML);
//获取图片src地址
List<String> imgSrc = cm.getImageSrc(imgUrl);
//下载图片
cm.Download(imgSrc);

}catch (Exception e){
System.out.println("发生错误");
}
}

//1.获取HTML内容
private String getHtml(String url)throws Exception{
URL url1=new URL(url);//使用java.net.URL
URLConnection connection=url1.openConnection();//打开链接
InputStream in=connection.getInputStream();//获取输入流
InputStreamReader isr=new InputStreamReader(in);//流的包装
BufferedReader br=new BufferedReader(isr);

String line;
StringBuffer sb=new StringBuffer();
while((line=br.readLine())!=null){//整行读取
sb.append(line,0,line.length());//添加到StringBuffer中
sb.append('\n');//添加换行符
}
//关闭各种流，先声明的后关闭
br.close();
isr.close();
in.close();
return sb.toString();
}
//3.获取ImageUrl地址
private List<String> getImageUrl(String html){
Matcher matcher=Pattern.compile(IMGURL_REG).matcher(html);
List<String>listimgurl=new ArrayList<String>();
while (matcher.find()){
listimgurl.add(matcher.group());
}
return listimgurl;
}
//获取ImageSrc地址
private List<String> getImageSrc(List<String> listimageurl){
List<String> listImageSrc=new ArrayList<String>();
for (String image:listimageurl){
Matcher matcher=Pattern.compile(IMGSRC_REG).matcher(image);
while (matcher.find()){
listImageSrc.add(matcher.group().substring(0, matcher.group().length()-1));
}
}
return listImageSrc;
}

//下载图片
private void Download(List<String> listImgSrc) {
try {
//开始时间
Date begindate = new Date();
for (String url : listImgSrc) {
//开始时间
Date begindate2 = new Date();
String imageName = url.substring(url.lastIndexOf("/") + 1, url.length());
URL uri = new URL(url);
InputStream in = uri.openStream();
FileOutputStream fo = new FileOutputStream(new File("D:res/"+imageName));//文件输出流
byte[] buf = new byte[1024];
int length = 0;
System.out.println("开始下载:" + url);
while ((length = in.read(buf, 0, buf.length)) != -1) {
fo.write(buf, 0, length);
}
//关闭流
in.close();
fo.close();
System.out.println(imageName + "下载完成");
//结束时间
Date overdate2 = new Date();
double time = overdate2.getTime() - begindate2.getTime();
System.out.println("耗时：" + time / 1000 + "s");
}
Date overdate = new Date();
double time = overdate.getTime() - begindate.getTime();
System.out.println("总耗时：" + time / 1000 + "s");
} catch (Exception e) {
System.out.println("下载失败");
}
}
}

结果自己去查看吧；

内容分析：

本方法主要的使用jdk中java.net包下的URL与URLConnection两个类完成连接。