Java爬虫之利用Jsoup+HttpClient爬取类叔叔不约匿名聊天网站的图片,未果——后爬取某网站美女图片案例
博主最近学了一点爬虫的知识,闲着无聊,秉承学以致用的理念,于是突然想到何不挑战一下,爬取一些叔叔不约网站的图片,来巩固一下所学知识(#滑稽)。说干就干,打开eclipse或idea,创建maven工程,引入所需jar包的依赖:
<dependencies><!-- httpClient--><dependency><groupId>org.apache.httpcomponents</groupId><artifactId>httpclient</artifactId></dependency><!--Jsoup--><dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.8.3</version></dependency><!--工具包--><dependency><groupId>org.apache.commons</groupId><artifactId>commons-lang3</artifactId><version>3.9</version></dependency><dependency><groupId>org.apache.httpcomponents</groupId><artifactId>httpclient</artifactId><version>4.5.5</version></dependency></dependencies>
工程创建好了,可是怎么操作呢?于是博主打开了匿名网站,之前看到某位博主说"叔叔不约"的图片加入了反爬机制,已经爬取不了了。于是我百度了一下,找到了另外一个匿名聊天网站,名为"好像聊",网址“http://www.haoxiangliao.com/”.
博主刚开始设置性别男,匹配了半天没人理我,为了学习,咱拼了,于是我把性别设置为‘女’,果不其然,一堆青虫上脑男士都来找我聊天(#捂脸哭)。找到了一个男的,本来想发一张图片获取一下这张图片的url,可是这个网站不聊够3分钟不让发图片,于是我就假装妹子和男的聊了起来.....
咳咳,发送了三张图片,完成了任务,就关了聊天(#口区)
打开F12,发现三张图片的url:
http://static.haoxiangliao.com/2019-08-30_23-32-48-167_31yvrwjgmpy.png
http://static.haoxiangliao.com/2019-08-30_23-34-39-991_614okhvblhb.png
http://static.haoxiangliao.com/2019-08-30_23-36-05-985_qouquv73gnn.jpg
分析一波,他把图片名字命名成了格式化时间+11位的随机字符串。
于是我思路就有了,用java获取格式化时间,并生成11位数字字母字符串,代码如下:
/*** 获取格式化时间*/public String getTime() {Date date = new Date();SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd_HH-mm-ss-SSS_");String Formattime = dateFormat.format(date);System.out.println("Formattime:" + Formattime);return Formattime;}// 生成随机数字和字母public String getStringRandom(int length) {String val = "";Random random = new Random();// length为几位密码for (int i = 0; i < length; i++) {String charOrNum = random.nextInt(2) % 2 == 0 ? "char" : "num";// 输出字母还是数字if ("char".equalsIgnoreCase(charOrNum)) {// 输出是大写字母还是小写字母
// int temp = random.nextInt(2) % 2 == 0 ? 65 : 97;int temp = 97;val += (char) (random.nextInt(26) + temp);} else if ("num".equalsIgnoreCase(charOrNum)) {val += String.valueOf(random.nextInt(10));}}return val;
有了格式化时间和随机字符串,可以创建图片url了,写一个死循环,循环调用生成时间与随机串的方法:
public void createUrl() {getFormatPicName getFormatDate = new getFormatPicName();int i = 0;while (true) {i++;String stringRandom = getFormatDate.getStringRandom(11);String time = getFormatDate.getTime();System.out.print("第" + i + "次 ");String picName = time + stringRandom;System.out.println(time + stringRandom);String url = "http://static.haoxiangliao.com/" + picName + ".jpg";doGetImage(url);}}
下载图片的方法:
/*** 下载图片* @param url* @return 图片名称*/public String doGetImage(String url) {// 获取httpClient对象CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(this.cm).build();
// 创建httpGet请求对象,设置url地址HttpGet httpGet = new HttpGet(url);
// 设置请求信息httpGet.setConfig(this.getConfig());
// 使用httpClient发起请求,获取响应CloseableHttpResponse response = null;try {response = httpClient.execute(httpGet);
// 解析响应,返回结果if (response.getStatusLine().getStatusCode() == 200) {
// 判断响应体Entity是否不为空,如果不为空,就可以使用Entityutilsif (response.getEntity() != null) {
// 下载图片
// 获取图片的后缀String extName = url.substring(url.lastIndexOf("."));
// 创建图片图片名,重命名图片String picName = UUID.randomUUID().toString() + extName;
// 下载图片// 声明outputStream 完整文件路径File file=new File("D:\\webCrawler\\pic\\");if(!file.exists()&& !file.isDirectory()){file.mkdirs(); //如果文件夹不存在,就创建}OutputStream outputStream = new FileOutputStream( file+"\\"+ picName);response.getEntity().writeTo(outputStream);
// 返回图片名称return picName;}}} catch (IOException e) {e.printStackTrace();} finally {
// 关闭responseif (response != null) {try {response.close();} catch (IOException e) {e.printStackTrace();}}}
// 如果下载失败,返回空串return "";}
就这样,博主把电脑时间设置成前几天的半夜,开启了爬虫。爬了大概几个小时15万次,结果令人大失所望,是的,一张图片都没有,像这种网站的图片加密方式,能刚好随机到的概率几乎为零。(#允悲)
爬取匿名网站的想法虽然失败了,但是何不找一个美女网站来练习一下呢?百度了一个网站,“http://www.kunv.cc/index.html”,
准备拿到首页的几十张图片,思路大概不变,只需要加一个解析页面的逻辑即可,下边上完整代码,有兴趣的同学可以一试,毕竟咱们不为别的,就是为了学习嘛(#滑稽)。
import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.impl.conn.PoolingHttpClientConnectionManager;
import org.apache.http.util.EntityUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStream;
import java.util.UUID;public class getPicTask {public static void main(String[] args) throws Exception {
// 开启爬虫new getPicTask().getPicTask();}private PoolingHttpClientConnectionManager cm;public getPicTask() {this.cm = new PoolingHttpClientConnectionManager();
// 设置最大连接数this.cm.setMaxTotal(100);
// 设置每个主机最大连接数this.cm.setDefaultMaxPerRoute(10);}public void getPicTask() throws Exception {//解析地址String url = "http://www.kunv.cc/index.html"; //首页String html = doGetHtml(url);parse(html);}/*** 根据请求地址下载页面数据** @param url* @return 页面数据*/public String doGetHtml(String url) {
// 获取httpClient对象CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(this.cm).build();
// 创建httpGet请求对象,设置url地址HttpGet httpGet = new HttpGet(url);httpGet.addHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36");
// 设置请求信息httpGet.setConfig(this.getConfig());
// 使用httpClient发起请求,获取响应CloseableHttpResponse response = null;try {response = httpClient.execute(httpGet);
// 解析响应,返回结果if (response.getStatusLine().getStatusCode() == 200) {
// 判断响应体Entity是否不为空,如果不为空,就可以使用Entityutilsif (response.getEntity() != null) {String content = EntityUtils.toString(response.getEntity(), "utf8");return content;}}} catch (IOException e) {e.printStackTrace();} finally {
// 关闭responseif (response != null) {try {response.close();} catch (IOException e) {e.printStackTrace();}}}
// 解析响应,返回结果return "";}//解析页面获取图片urlprivate void parse(String html) throws Exception {
// 解析html获取Document对象Document doc = Jsoup.parse(html);
// 获取图片urlElement element = doc.select("div.boxs").get(1);Elements picTagsList = element.select("img[src$=.jpg]");for (Element element1 : picTagsList) {
// 解析出了图片的urlString picUrl = element1.attr("src");
// 调用下载图片的方法doGetImage("http://www.kunv.cc//"+picUrl);}System.out.println("---结束---");}// public void createUrl() {
// getFormatPicName getFormatDate = new getFormatPicName();
// int i = 0;
// while (true) {
// i++;
// String stringRandom = getFormatDate.getStringRandom(11);
// String time = getFormatDate.getTime();
// System.out.print("第" + i + "次 ");
// String picName = time + stringRandom;
// System.out.println(time + stringRandom);
// String url = "http://static.haoxiangliao.com/" + picName + ".jpg";
// doGetImage(url);
// }
// }/*** 下载图片* @param url* @return 图片名称*/public String doGetImage(String url) {// 获取httpClient对象CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(this.cm).build();
// 创建httpGet请求对象,设置url地址HttpGet httpGet = new HttpGet(url);
// 设置请求信息httpGet.setConfig(this.getConfig());
// 使用httpClient发起请求,获取响应CloseableHttpResponse response = null;try {response = httpClient.execute(httpGet);
// 解析响应,返回结果if (response.getStatusLine().getStatusCode() == 200) {
// 判断响应体Entity是否不为空,如果不为空,就可以使用Entityutilsif (response.getEntity() != null) {
// 下载图片
// 获取图片的后缀String extName = url.substring(url.lastIndexOf("."));
// 创建图片图片名,重命名图片String picName = UUID.randomUUID().toString() + extName;
// 下载图片// 声明outputStream 完整文件路径File file=new File("D:\\webCrawler\\pic\\");if(!file.exists()&& !file.isDirectory()){file.mkdirs(); //如果文件夹不存在,就创建}OutputStream outputStream = new FileOutputStream( file+"\\"+ picName);response.getEntity().writeTo(outputStream);
// 返回图片名称return picName;}}} catch (IOException e) {e.printStackTrace();} finally {
// 关闭responseif (response != null) {try {response.close();} catch (IOException e) {e.printStackTrace();}}}
// 如果下载失败,返回空串return "";}// 设置请求信息private RequestConfig getConfig() {RequestConfig config = RequestConfig.custom().setConnectTimeout(1000).setConnectionRequestTimeout(500).setSocketTimeout(10000) //数据传输的最长时间.build();return config;}
}
有学习兴趣的自己分析一下代码,并不难,博主只是抛砖引玉,你可以改造一下,爬一下其他网站(#正经脸),或者把这个网站加翻页功能,爬取整个网站的图片。ok,完结撒花~感谢观看!
--------------------------------------分隔符-----------------------------------------
目前我重写了代码,把上边网站的所有图片都爬到了,有需要学术交流的同学,可以留言,我贴源码(19.09.04)。
Java爬虫之利用Jsoup+HttpClient爬取类叔叔不约匿名聊天网站的图片,未果——后爬取某网站美女图片案例相关推荐
- Java爬虫之利用Jsoup自制简单的搜索引擎
Jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址.HTML文本内容.它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据.Jso ...
- Java爬虫(二)-- httpClient模拟Http请求+jsoup页面解析
博客 学院 下载 GitChat TinyMind 论坛 APP 问答 商城 VIP会员 活动 招聘 ITeye 写博客 发Chat 传资源 登录注册 原 Java爬虫(二)-- httpClient ...
- Java爬虫html解析-Jsoup(绿盟极光报告)
java爬虫&html解析-Jsoup(绿盟极光报告) 一.类库选取 Java爬虫解析HTML文档的工具有:htmlparser, Jsoup. 主要是实现的功能需求,选取Jsoup,对htm ...
- Java爬虫入门篇---Jsoup工具
Java爬虫入门篇---Jsoup工具 前言 准备工作 获取文本数据 获取页面中所有的图片 前言 pythoy的scrapy框架是大名鼎鼎,Jsoup则为Java框架的爬虫 准备工作 1.下载jsou ...
- 几十行代码实现Java爬虫,结合jsoup爬取网名昵称
原文链接:点击打开链接 crawler4j是一个开源爬虫框架(https://github.com/yasserg/crawler4j), 我们可以使用它进行爬虫.以爬取 http://www.nib ...
- Java爬虫学习一一Jsoup爬取彼岸桌面分类下的图片
最近在找工作,在这个过程中我感到很迷茫,投了很多简历,被查看的却很少,其中也有到现场去面试,结果也很不理想(╥╯^╰╥). 哈哈,跑题了,我在看之前所做的项目时,在我的收藏夹中看到了以前收藏的有关爬虫 ...
- java爬虫jsoup_Java爬虫之利用Jsoup自制简单的搜索引擎
内容导读 在上述代码中,url为输入词条(暂时仅限于英文),进入while循环可一直搜索,当输入为'exit'时退出.contentText为该词条的百度百科简介的网页形式,通过正则表达式将其中的文字 ...
- java爬虫入门--用jsoup爬取汽车之家的新闻
概述 使用jsoup来进行网页数据爬取.jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址.HTML文本内容.它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuer ...
- Java爬虫实践:Jsoup+HttpUnit爬取今日头条、网易、搜狐、凤凰新闻
0x0 背景 最近学习爬虫,分析了几种主流的爬虫框架,决定使用最原始的两大框架进行练手: Jsoup&HttpUnit 其中jsoup可以获取静态页面,并解析页面标签,最主要的是,可以采用类似 ...
最新文章
- Android分享-微信、Facebook、Google
- mysqld与mysqld_safe的区别
- R语言安装;Rstudio安装
- android 滑动接听源码,android仿摩拜单车APP、炫酷RecyclerView、卡片滑动、仿饿了么点餐、自定义索引等源码...
- ipv4广播地址怎么填_什么是IP地址?IP地址有什么用?网络工程师来告诉你
- 《树莓派Python编程入门与实战(第2版)》——2.2 使用Raspbian命令行
- 使用ffmpeg破解m3u8加密视频文件
- php微信公众号发送多条消息模板,整合ThinkPHP功能系列之微信公众号模板消息发送...
- matlab排序excel数据库,matlab对excel数据进行排序求和
- ROC评分中概念之阳性预测值/阴性预测值计算方法
- Android 使用讯飞语音SDK
- 音频3A测试 NS降噪测试
- 《咸鱼分享》DNS反向解析
- Buildozer构架安卓应用
- xampp下载,踩得mysql的坑!!使用本机之前装入的mysql+idea配置PHP
- 安全修复之Web——Spring Framework 远程代码执行漏洞
- google+登录API
- 使用JAVA工具类进行邮件发送
- 青藤云 安全服务岗技术终面复盘
- exp oracle远程主机,cmd oracle exp 远程数据库命令
热门文章
- hdf heg 批量拼接_MODIS处理工具MRT已被HEG代替
- 一文讲透智慧农业,一滴水也没有的超级干货
- 网站采集器,网站采集工具(图文教程)
- 高频电源模块FB230D10NZ-D浮充模块充电机
- 保你学会Springboot如何前后端分离地传输数据!(后端,前端的坑过几天填上)
- Debian权威发音
- jadx工具windows下载
- 如何在visio中画立体图形
- mapreduce面试问题_MapReduce问题与解答第2部分
- JS基礎:Hoisting 變量提升、TDZ 暫時性死區(Temporal Dead Zone)