一个抓取知乎页面图片的简单爬虫

　　　　在知乎上看到一个问题  能利用爬虫技术做到哪些很酷很有趣很有用的事情？发现蛮好玩的，便去学了下正则表达式，以前听说正则表达式蛮有用处的，学完后觉得确实很实用的工具。问题评论下基本都是python写的爬虫，我看了下原理，感觉爬一个简单的静态网页还是挺容易的。就是获取网站html源码，然后解析需要的字段，最后拿到字段处理（下载）。想起我学java的时候有个URL类好像有这个功能，便去翻了下api文档，发现URLConnection果然可以获取html源码。

　　首先从核心开始写，获取网页源码

package mothed;

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
/**
 * 爬取网页源代码
 * @author ganhang
 *
 */

public class Spider {
    
    public static String GetContent(String url) {
        // 定义一个字符串用来存储网页内容
        String result = "";
        BufferedReader in = null;
        try {
            URL realUrl = new URL(url);
            // 初始化链接
            URLConnection connection = realUrl.openConnection();
            // BufferedReader输入流来读取URL的响应
            in = new BufferedReader(new InputStreamReader(connection.getInputStream(), "UTF-8"));
            // 用来临时存储抓取到的每一行的数据
            String line;
            while ((line = in.readLine()) != null) {
                // 遍历抓取到的每一行并将其存储到result里面
                System.out.println(line);
                result += line;
            }
        } catch (Exception e) {
            System.out.println("GetContent出现异常！" + e);
            e.printStackTrace();
        }
        // 使用finally来关闭输入流
        finally {
            try {
                if (in != null) {
                    in.close();
                }
            } catch (Exception e2) {
                e2.printStackTrace();
            }
        }
        return result;
    }
}

然后是解析获得的Content得到想要的字段，题目，答案中的图片链接

package bean;

import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import mothed.Spider;

/**
 * 知乎图片bean
 * @author ganhang
 *
 */
public class ZhiHuBean {
    public String zhihuUrl;// 网页链接
    public String question;// 问题名;
    public ArrayList<String> zhihuPicUrl;// 图片链接

    public String getQuestion() {
        return question;
    }

    public void setQuestion(String question) {
        this.question = question;
    }

    public ArrayList<String> getZhihuPicUrl() {
        return zhihuPicUrl;
    }

    public void setZhihuPicUrl(ArrayList<String> zhihuPicUrl) {
        this.zhihuPicUrl = zhihuPicUrl;
    }

    // 构造方法初始化数据
    public ZhiHuBean(String url) throws Exception {
        zhihuUrl = url;
        zhihuPicUrl = new ArrayList<String>();
        // 判断url是否合法
        if (isZhuHuUrl(url)) {
            url=getRealUrl(url);
            System.out.println("正在抓取知乎链接：" + url);
            // 根据url获取该问答的细节
            String content = Spider.GetContent(url);
            //System.out.println("content:"+content);
            Matcher m;
            // 匹配标题
            m = Pattern.compile("zh-question-title.+?<h2.+?>(.+?)</h2>").matcher(content);
            if (m.find()) {
                question = m.group(1);
            }
            // 匹配答案图片链接
            m = Pattern.compile("</noscript><img.+?src="(https.+?)".+?").matcher(content);
            boolean isFind;
            while (isFind= m.find()) {
                zhihuPicUrl.add(m.group(1));
            }
        }else throw new Exception("网址有误！请输入知乎网址！");
}

    // 处理url
    String getRealUrl(String url) {
        // 将http://www.zhihu.com/question/22355264/answer/21102139
        //转化成http://www.zhihu.com/question/22355264
        Matcher m = Pattern.compile("(\d*)/answer/(\d*)").matcher(url);
        if (m.find()) {
            return "http://www.zhihu.com/question/" + m.group(1);
        } else {
            return url;
        }
    }
    //判断知乎网址
    boolean isZhuHuUrl(String url){
        if(url.startsWith("http://www.zhihu.com/question/")){
            return true;
        }else return false;
    }
}

获得链接后就开始下载了

package mothed;

import java.io.DataInputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.net.URL;
import java.util.ArrayList;

import bean.ZhiHuBean;
/**
 * 下载器
 * @author ganhang
 *
 */
public class DownLoad {
    // 传入zhiHuBean，创建文件夹，并下载图片
    public static boolean downLoadPics(ZhiHuBean zhiHuBean, String filePath) throws Exception {
        // 文件路径+标题
        String dir = filePath + zhiHuBean.getQuestion();
        // 创建
        File fileDir = new File(dir);
        fileDir.mkdirs();
        // 获取所有图片路径集合
        ArrayList<String> zhiHuPics = zhiHuBean.getZhihuPicUrl();
        // 初始化一个变量，用来显示图片编号
        int i = 1;
        // 循环下载图片
        for (String zhiHuPic : zhiHuPics) {
            URL url = new URL(zhiHuPic);
            // 打开网络输入流
            DataInputStream dis = new DataInputStream(url.openStream());
            String newImageName = dir + "/" + "图片" + i + ".jpg";
            // 建立一个新的文件
            FileOutputStream fos = new FileOutputStream(new File(newImageName));
            byte[] buffer = new byte[1024];
            int length;
            System.out.println("正在下载......第 " + i + "张图片......请稍后");
            // 开始写入
            while ((length = dis.read(buffer)) > 0) {
                fos.write(buffer, 0, length);
            }
            dis.close();
            fos.close();
            System.out.println("第 " + i + "张图片下载完毕......");
            i++;
        }
        return true;
    }
}

测试类

package test;

import java.util.ArrayList;

import mothed.DownLoad;
import bean.ZhiHuBean;


/**
 * 抓取知乎图片并下载
 * 
 * @author ganhang
 *
 */
public class ZhiHuSpiderTest {

    public static void main(String[] args) throws Exception {
        /**
         * 爬知乎图片，并下载到本地
         */
        // 链接注意用http
        String url = "http://www.zhihu.com/question/27621722";
        // 获取ZhiHuBean
        ZhiHuBean myZhihu = new ZhiHuBean(url);
        // 获取ZhiHuBean中的图片列表
        ArrayList<String> picList = myZhihu.getZhihuPicUrl();
        // 打印结果
        System.out.println("标题：" + myZhihu.getQuestion());
        System.out.println("");
        //定义下载路径
        String addr = "D:/知乎爬虫/";
        System.out.println("即将开始下载图片到"+addr+myZhihu.getQuestion());
        System.out.println("");
        System.out.println("开始下载................");
        System.out.println("");
        // 把图片下载到本地文件夹
        DownLoad.downLoadPics(myZhihu, addr);
        System.out.println("");
        System.out.println("图片下载完毕，请到"+addr+myZhihu.getQuestion()+"里去看看吧！！！");

    }
}

打开文件夹就可以慢慢欣赏图片了。。