介绍
在博客：Java爬虫之下载IMDB中Top250电影的图片中我们实现了利用Java爬虫来下载图片，但是效率不算太高。本次分享将在此基础上，利用多线程，提高程序运行的效率。
思路
本次分享建立在博客Java爬虫之下载IMDB中Top250电影的图片上，总体的爬虫思路没有变化，只是在此基础上引入多线程。多线程的思路如下：
- Java的每个任务类必须实现Runnable接口，因此，我们将新建ImageDownload类来实现Runnable接口。ImageDownload类的构造函数的参数有: url:网站的网址， dir: 图片储存目录。并在run()方法中实现将网页中的图片下载到本地。
- 在主函数中，调用ImageDownload类，利用多线程实现爬虫下载，提高运行效率。
程序
ImageDownload类的代码完整如下：
package wikiScrape;
import java.io.File;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
import java.net.URLConnection;
import org.apache.commons.io.FileUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
/* ImageDownload类实现Runnable接口
* ImageDownload类的构造参数： url:网址的网址, dir: 图片存储目录
* ImageDownload类实现了将网页中的图片下载到本地
*/
public class ImageDownload implements Runnable{
private String url;
private String dir;
public ImageDownload(String url, String dir) {
this.url = url;
this.dir = dir;
}
// run()函数: 将网页中的电影图片下载到本地
@Override
public void run(){
// 利用URL解析网址
URL urlObj = null;
try{
urlObj = new URL(url);
}
catch(MalformedURLException e){
System.out.println("The url was malformed!");
}
// URL连接
URLConnection urlCon = null;
try{
// 打开URL连接
urlCon = urlObj.openConnection();
// 将HTML内容解析成UTF-8格式
Document doc = Jsoup.parse(urlCon.getInputStream(), "utf-8", url);
// 提取电影图片所在的HTML代码块
Elements elems = doc.getElementsByClass("ss-3 clear");
Elements pic_block = elems.first().getElementsByTag("a");
for(int i=0; i<pic_block.size(); i++) {
// 提取电影图片的url, name
String picture_url = pic_block.get(i).getElementsByTag("img").attr("src");
String picture_name = pic_block.get(i).getElementsByClass("bb").text()+".jpg";
// 用download()函数将电影图片下载到本地
download(picture_url, dir, picture_name);
System.out.println("第"+(i+1)+"张图片下载完毕！");
}
}
catch(IOException e){
System.out.println("There was an error connecting to the URL");
}
}
// download()函数利用图片的url将图片下载到本地
public static void download(String url, String dir, String filename) {
try {
/* httpurl: 图片的url
* dirfile: 图片的储存目录
*/
URL httpurl = new URL(url);
File dirfile = new File(dir);
// 如果图片储存的目录不存在，则新建该目录
if (!dirfile.exists()) {
dirfile.mkdirs();
}
// 利用FileUtils.copyURLToFile()实现图片下载
FileUtils.copyURLToFile(httpurl, new File(dir+filename));
}
catch(Exception e) {
e.printStackTrace();
}
}
}
主函数ImageScraper.java的代码如下：
package wikiScrape;
/* 本爬虫利用多线程爬取http://www.imdb.cn/IMDB250/中Top250的图片
* 先利用Jsoup解析得到该网页中的图片的url
* 然后利用FileUtils.copyURLToFile()函数将图片下载到本地
*/
import wikiScrape.ImageDownload;
import java.util.ArrayList;
import java.util.concurrent.*;
import java.util.Date;
public class ImageScraper {
public static void main(String[] args) {
Date d1 = new Date();
System.out.println("爬虫开始......");
// 爬取的网址列表，一共十个网页
ArrayList<String> urls = new ArrayList<String>();
urls.add("http://www.imdb.cn/IMDB250/");
for(int i=2; i<=10; i++) {
urls.add("http://www.imdb.cn/imdb250/"+ Integer.toString(i));
}
String dir = "E://log/"; // 图片储存目录
// 利用多线程下载每个页面中的图片
ExecutorService executor = Executors.newCachedThreadPool();
// Create and launch 100 threads
for(int i=0; i<10; i++) {
executor.execute(new ImageDownload(urls.get(i), dir));
}
executor.shutdown();
// wait until all tasks are finished
while(!executor.isTerminated()) {
}
System.out.println("程序运行完毕！");
Date d2 = new Date();
// 计算程序的运行时间，并输出
long seconds = (d2.getTime()-d1.getTime())/1000;
System.out.println("一共用时： "+seconds+"秒.");
}
}
运行
运行上述主函数，结果如下：
程序运行结果
一共也是下载了244张图片，运行结果与博客：Java爬虫之下载IMDB中Top250电影的图片中的结果一模一样，但是时间却少了一半！可见利用多线程来写爬虫效率相当高！
本次分享到此结束，欢迎大家交流~~
