基于RxJava2實(shí)現(xiàn)的簡(jiǎn)單圖片爬蟲的方法

更新時(shí)間：2018年02月01日 10:17:11 作者：fengzhizi715

本篇文章主要介紹了基于RxJava2實(shí)現(xiàn)的簡(jiǎn)單圖片爬蟲的方法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

今年十月份以來，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。剛開始我只寫了一個(gè)簡(jiǎn)單的HttpClient程序來抓取圖片，后來為了通用性索性寫一個(gè)簡(jiǎn)單的圖片爬蟲程序。它可以用于抓取單張圖片、多張圖片、某個(gè)網(wǎng)頁下的所有圖片、多個(gè)網(wǎng)頁下的所有圖片。

github地址：https://github.com/fengzhizi715/PicCrawler

這個(gè)爬蟲使用了HttpClient、RxJava2以及Java 8的一些特性。它支持一些簡(jiǎn)單的定制，比如定制User-Agent、Referer、Cookies等。

一.下載安裝:

對(duì)于Java項(xiàng)目如果使用gradle構(gòu)建，由于默認(rèn)不是使用jcenter，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

1、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(qǐng)求的超時(shí)時(shí)間。fileStrategy()表示存放的目錄、文件使用的格式、生成的文件時(shí)使用何種策略。repeat()表示對(duì)該圖片請(qǐng)求重復(fù)的次數(shù)。

PicCrawler支持多種文件的生成策略，比如隨機(jī)生成文件名、從1開始自增長(zhǎng)地生成文件名、生成指定的文件名等等。

下圖顯示了使用該程序?qū)δ瞅?yàn)證碼的圖片下載200次。

2、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);

3、使用RxJava，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(duì)文件做一些后續(xù)的處理。

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(gè)網(wǎng)頁的全部圖片

    String url = "http://www.jianshu.com/u/4f2c483c12d8"; // 針對(duì)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，對(duì)我簡(jiǎn)書主頁上的圖片進(jìn)行抓取。

2.4 下載多個(gè)網(wǎng)頁的全部圖片

    List<String> urls = new ArrayList<>(); // 多個(gè)網(wǎng)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);

下載個(gè)人簡(jiǎn)書主頁上的圖以及開發(fā)者頭條的圖片。

三. 部分源碼解析

3.1 下載某個(gè)網(wǎng)頁的全部圖片

downloadWebPageImages()方法表示下載某個(gè)url的全部圖片。

  /**
   * 下載整個(gè)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(qǐng)求、解析出當(dāng)前頁面中包含的圖片路徑、下載這些圖片。

第一步，創(chuàng)建網(wǎng)絡(luò)請(qǐng)求使用了HttpClient。

  public CloseableHttpResponse createHttpWithGet(String url) {
    // 獲取客戶端連接對(duì)象
    CloseableHttpClient httpClient = getHttpClient();
    // 創(chuàng)建Get請(qǐng)求對(duì)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(qǐng)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，使用jsoup將帶有圖片的鏈接全部過濾出來。

jsoup 是一款Java 的HTML解析器，可直接解析某個(gè)URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，可通過DOM，CSS以及類似于jQuery的操作方法來取出和操作數(shù)據(jù)。

private List<String> parseHtmlToImages(CloseableHttpResponse response) {
    // 獲取響應(yīng)實(shí)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(duì)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(duì)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(cuò)誤");
        e.printStackTrace();
      }
    }
    return urls;
  }

第三步，下載這些圖片使用了Java 8的CompletableFuture。CompletableFuture是Java 8新增的用于異步處理的類，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(gè)網(wǎng)頁的全部圖片

downloadWebPageImages()方法還支持傳List集合，表示多個(gè)網(wǎng)頁的地址。

  /**
   * 下載多個(gè)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(shí)用到了ParallelFlowable，因?yàn)閜arallel()可以把Flowable轉(zhuǎn)成ParallelFlowable。

總結(jié)

PicCrawler 是一個(gè)簡(jiǎn)單的圖片爬蟲，目前基本可以滿足我的需求。未來要是有新的需求，我會(huì)不斷添加功能。

在做PicCrawler時(shí)，其實(shí)還做了一個(gè)ProxyPool用于獲取可用代理池的庫(kù)，它也是基于RxJava2實(shí)現(xiàn)的。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: