Actualmente necesito un programa que, dado un URL, devuelve una lista de todas las imágenes en la página web.Obtenga todas las imágenes del Programa WebPage | Java
es decir:
logo.png gallery1.jpg test.gif
¿Hay algún software de código abierto disponible antes de tratar y el código de algo?
El idioma debe ser java. Gracias Philip
HtmlUnit tiene HtmlPage.getElementsByTagName("img"), que probablemente le convenga.
(leer la guía breve Get started para ver cómo obtener el objeto correcto HtmlPage)
sólo tiene que utilizar un simple HTML parser, como jTidy, y luego get all elements by tag nameimg y luego recoger el atributo src de cada uno en un List<String> o tal vez List<URI>.
Puede obtener un InputStream de URL usando URL#openStream() y luego alimentarlo a cualquier analizador HTML que desee utilizar. He aquí un ejemplo patada de salida:
InputStream input = new URL("http://www.stackoverflow.com").openStream();
Document document = new Tidy().parseDOM(input, null);
NodeList imgs = document.getElementsByTagName("img");
List<String> srcs = new ArrayList<String>();
for (int i = 0; i < imgs.getLength(); i++) {
srcs.add(imgs.item(i).getAttributes().getNamedItem("src").getNodeValue());
}
for (String src: srcs) {
System.out.println(src);
}
Sin embargo, debo admitir que HtmlUnit según lo sugerido por Bozho de hecho se ve mejor.
y htmlunit está haciendo aproximadamente lo que dice su respuesta, por lo que +1 para aclarar qué debería suceder exactamente. – Bozho
HtmlUnit está, sin embargo, menos hinchado que jTidy. Ofrece formas * integradas * para abrir una página web y obtener elementos/atributos de interés usando XPath. – BalusC
Puede analizar el HTML, y recoger todos los atributos SRC de los elementos IMG en una colección. A continuación, descargue cada recurso de cada url y escríbalo en un archivo. Para el análisis hay varios analizadores HTML disponibles, Cobra es uno de ellos.
Esto está muerto sencillo con HTML Parser (y cualquier otro analizador de HTML decente):
Parser parser = new Parser("http://www.yahoo.com/");
NodeList list = parser.parse(new TagNameFilter("IMG"));
for (SimpleNodeIterator iterator = list.elements(); iterator.hasMoreNodes();) {
Tag tag = (Tag) iterator.nextNode();
System.out.println(tag.getAttribute("src"));
}
Con las etiquetas Open Graph y unidad de HTML, puede extraer los datos con mucha facilidad (PageMeta es un POJO sencilla celebración de los resultados):
Parser parser = new Parser(url);
PageMeta pageMeta = new PageMeta();
pageMeta.setUrl(url);
NodeList meta = parser.parse(new TagNameFilter("meta"));
for (SimpleNodeIterator iterator = meta.elements(); iterator.hasMoreNodes();) {
Tag tag = (Tag) iterator.nextNode();
if ("og:image".equals(tag.getAttribute("property"))) {
pageMeta.setImageUrl(tag.getAttribute("content"));
}
if ("og:title".equals(tag.getAttribute("property"))) {
pageMeta.setTitle(tag.getAttribute("content"));
}
if ("og:description".equals(tag.getAttribute("property"))) {
pageMeta.setDescription(tag.getAttribute("content"));
}
}
puede simplemente usar expresiones regulares en Java
<html>
<body>
<p>
<img src="38220.png" alt="test" title="test" />
<img src="32222.png" alt="test" title="test" />
</p>
</body>
</html>String s ="html"; //above html content
Pattern p = Pattern.compile("<img [^>]*src=[\\\"']([^\\\"^']*)");
Matcher m = p.matcher (s);
while (m.find()) {
String src = m.group();
int startIndex = src.indexOf("src=") + 5;
String srcTag = src.substring(startIndex, src.length());
System.out.println(srcTag);
}
¿Necesita un programa o una biblioteca? –
¿Qué quiere decir lo siento? Solo necesito un archivo .jar o algo que pueda vincular a un programa Java existente que estoy escribiendo. Imagino que el programa sería bastante simple, solo necesito la operación de extracción de imágenes – Phil
No creo que encuentre ninguna biblioteca que se adapte exactamente a su escenario. Deberá usar un analizador y escribir algún código de descarga usted mismo. – craftsman