html如何让图片不能抓取,Jsoup+Htmlunit抓取图片遇到坑
Jsoup简介
Jsoup是用于解析HTML,就类似XML解析器用于解析XML。 Jsoup它解析HTML成为真实世界的HTML。
能用Jsoup实现什么?
●从URL,文件或字符串中刮取并解析HTML
●查找和提取数据,使用DOM遍历或CSS选择器
●操纵HTML元素,属性和文本
●根据安全的白名单清理用户提交的内容,以防止XSS攻击
●输出整洁的HTML
安装
org.jsoup
jsoup
1.12.1
Htmluiit简介
htmlunit 是一款开源的java 页面分析工具,优点就是得到js执行后的值。用于抓取动态页面。
安装
net.sourceforge.htmlunit
htmlunit
2.35.0
使用Jsoup+Htmlunit
public String getHtmlPageResponse(String url) throws Exception {
//请求超时时间,默认20秒
int timeout = 20000;
//等待异步JS执行时间,默认20秒
int waitForBackgroundJavaScript = 20000;
String result = "";
final WebClient webClient = new WebClient(BrowserVersion.CHROME);
webClient.getOptions().setThrowExceptionOnScriptError(false);//当JS执行出错的时候是否抛出异常
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);//当HTTP的状态非200时是否抛出异常
webClient.getOptions().setActiveXNative(false);
webClient.getOptions().setCssEnabled(false);//是否启用CSS
webClient.getOptions().setJavaScriptEnabled(true); //很重要,启用JS
webClient.setAjaxController(new NicelyResynchronizingAjaxController());//很重要,设置支持AJAX
webClient.getOptions().setTimeout(timeout);//设置“浏览器”的请求超时时间
webClient.setJavaScriptTimeout(timeout);//设置JS执行的超时时间
HtmlPage page;
try {
page = webClient.getPage(url);
} catch (Exception e) {
webClient.close();
throw e;
}
webClient.waitForBackgroundJavaScript(waitForBackgroundJavaScript);//该方法阻塞线程
result = page.asXml();
webClient.close();
return result;
}
下载网页中我们想要的图片
public void getHtmlContent(String url){
// 发起请求
String content = null;
try {
content = getHtmlPageResponse(url);
} catch (Exception e) {
e.printStackTrace();
}
// 解析网页 得到文档对象
Document doc = Jsoup.parse(content);
// 获取指定的
Elements elements = doc.select("img[src$=.png]");
List picList = new ArrayList<>();
for (Element element :elements){
// 获取 的 src
String imageUrl = element.attr("src");
// 取到我们想要的图片
if (imageUrl.contains(WEATHER_PIC_BASE_URL)) {
picList.add(imageUrl);
}
}
// 获取文件夹下所有文件名
List fileNameList = getFileList(savePath);
for(String imgUrl:picList){
String fileName = getFileNameWihtUrl(imgUrl);
// 图片是否存在
boolean isPic = fileNameList.contains(fileName);
if (!isPic) {
// 下载图片
}
}
}
保存图片到本地
public void downloadImages(String url, String fileName,String savePath,String imageFormat,Integer headerType) {
// 创建httpclient实例
CloseableHttpClient httpclient = HttpClients.createDefault();
// Http请求
try {
HttpGet httpGet = new HttpGet(url);
CloseableHttpResponse pictureResponse = httpclient.execute(httpGet);
HttpEntity pictureEntity = pictureResponse.getEntity();
InputStream inputStream = pictureEntity.getContent();
// 使用 common-io 下载图片到本地,注意图片名不能重复
FileUtils.copyToFile(inputStream, new File( savePath+ fileName + imageFormat));
pictureResponse.close(); // pictureResponse关闭
} catch (IOException e) {
e.printStackTrace();
}
}
下载图片安装commons-io
commons-io
commons-io
2.6
对于一般的网站来说。到这里能够爬取数据了,但是今天遇到一个问题,我获取了网页上所有JS执行后的动态图片链接,但是下载到本地图片损坏打不开。调试,把抓取的图片地址复制到浏览器中显示链接无效。what??
打开网页调试工具,
屏幕快照 2019-07-11 15.27.18.png
复制Request URL重新打开一个页面一样的显示链接无效。
猜想
网页调试工具Network调试,抓取的图片双击无数次都有显示图片,但是把 Request URL复制到一个新页面就显示无效。猜想应该是访问页面的时候返回了Cookie,下载图片的时候也要把Cookie带回去验证。
解决
修改HttptClient doGet方法,addHeader尽量模拟网页的请求
public static String doGetExpansion(String url, String charset) {
CloseableHttpClient httpClient = HttpClients.createDefault();
HttpGet httpGet = null;
String result = null;
try {
httpGet = new HttpGet(url);
// 设置通用的请求属性
httpGet.addHeader("Cache-Control", "no-cache");
httpGet.addHeader("Pragma", "no-cache");
httpGet.addHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36");
httpGet.addHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8");
httpGet.addHeader("Accept-Encoding", "gzip, deflate");
httpGet.addHeader("accept-secret", "");
httpGet.addHeader("Accept-Language", "zh-CN,zh;q=0.9");
httpGet.addHeader("Upgrade-Insecure-Requests", "1");
httpGet.addHeader("Connection", "keep-alive");
for (int i = 0; i < cookies.size(); i++) {
httpGet.addHeader("Cookie", cookies.get(i));
}
HttpResponse response = httpClient.execute(httpGet);
if (response != null) {
for (Header header : response.getAllHeaders()) {
if (header.getName().equalsIgnoreCase("Set-Cookie")) {
cookies.add(header.getValue());
}
}
HttpEntity resEntity = response.getEntity();
if (resEntity != null) {
result = EntityUtils.toString(resEntity, charset);
httpGet.releaseConnection();
}
}
} catch (Exception ex) {
ex.printStackTrace();
httpGet.releaseConnection();
}
return result;
}
下载图片如果也需要验证按照上面的方法修改即可下载图片。
html如何让图片不能抓取,Jsoup+Htmlunit抓取图片遇到坑相关推荐
- 20個網頁抓取工具快速抓取網站
網絡爬行(也稱為網絡抓取,屏幕抓取)已廣泛應用於當今的許多領域. 在網絡爬蟲工具進入公眾之前,對於沒有編程技能的普通人來說,這是一個神奇的詞. 它的高門檻阻礙了大數據門外的人們. 網絡抓取工具是自動爬 ...
- java jsoup爬动态网页_使用Jsoup+HtmlUnit抓取动态网页数据
最后更新日期为2018.1.3 只为自己留个记录 待添加功能: 1.获取历史全部消息 2.爬取大于10条数据 3.自定义抓取公众号信息 package cc.buckler.test; import ...
- python爬取网页上的特定链接_python3下scrapy爬虫(第三卷:初步抓取网页内容之抓取网页里的指定数据)...
上一卷中我们抓取了网页的所有内容,现在我们抓取下网页的图片名称以及连接 现在我再新建个爬虫文件,名称设置为crawler2 做爬虫的朋友应该知道,网页里的数据都是用文本或者块级标签包裹着的,scrap ...
- 网页抓取数据-网页抓取数据的软件免费
在互联网络的时代,信息如同大海般没有边际.甚至我们获取信息的方法已经发生改变:从传统的翻书查字典,继而变成通过搜索引擎进行检索.我们从信息匮乏的时代一下子走到了信息极大丰富今天. 随着互联网的发展及普 ...
- phantomjs 抓取html,phantomjs抓取完整网页
phantomjs:我的理解就是它是一个无显示的浏览器,也就是说除了不能显示页面内容以外,浏览器能干的活儿它基本上都能干.so,最近由于实验需要,要从某电商爬一点图片,但是它又是AJAX生成的,单纯的 ...
- WebMagic实现分布式抓取以及断点抓取
访问我的博客 前言 从去年到今年,笔者主要负责的是与合作方的内容对接,新增的合作商不是很多的情况下,在我自从去年引入了 WebMagic 这个爬虫框架之后,基本很少需要去关注维护爬虫,做的最多的是新接 ...
- php屏幕抓取,关于屏幕抓取:如何在PHP中实现Web scraper?
哪些内置的PHP函数对Web抓取有用?有什么好的资源(web或print)可以提高PHP的web抓取速度? 我想推荐我最近遇到的这门课.简单HTML DOM分析器 对于这一点,PHP是一种特别糟糕的语 ...
- python360百科_python抓取360百科踩过的坑!
学习python一周,学着写了一个爬虫,用来抓取360百科的词条,在这个过程中.因为一个小小的修改,程序出现一些问题,又花了几天时间研究,问了各路高手,都没解决,终于还是自己攻克了,事实上就是对lis ...
- [知识图谱实战篇] 一.数据抓取之Python3抓取JSON格式的电影实体
前面作者讲解了很多知识图谱相关的原理知识,包括知识图谱相关技术.Neo4j绘制关系图谱等,但还是缺少一个系统全面的实例.为了加深自己对知识图谱构建的认识,为后续创建贵州旅游知识图谱打下基础,作者学习了 ...
最新文章
- Feature Selection: A Data Perspective --阅读笔记1 特征选择的概述
- MySQL主从延时这么长,要怎么优化
- Linux中TFTP使用详解
- shareSDK 微信分享的时候只能分享jpg格式的图片大于32k时为什么分享不出去?
- h5+js视频播放器控件
- duilib入门问题集
- 火爆全网MySQL路线笔记!linuxmysql允许远程连接
- cocos2d-x 是男人就下100层 附源码
- chattr使用解释
- jdk配置环境变量的方法
- Android计算器 (课程设计项目)
- 触摸屏与单片机通讯C语言程序,讲述如何实现单片机与触摸屏的通信
- Verilog初学者小圣经
- 用python画蜡笔小新_用python画的蜡笔小新
- 数论—乘法逆元—费马小定理
- linux os版本 32或64位查看
- 华为IT“智”存高远,普“慧”于民
- 头文件里应该写些什么
- 云宏与英特尔携手发布了基于英特尔®至强®可扩展平台全面升级
- 洛谷P4233 射命丸文的笔记 【多项式求逆】