Java批量下载书籍图片并保存为PDF的方法
背景
因为经常出差火车上没网、不方便电子书阅读器批注,需要从某网站上批量下载多本书籍的图片并自动打包成PDF文件。
分析
1、尝试获得图片地址,发现F12被禁
解决方法:使用Chrome浏览器,点击右上角三个点呼出菜单,选择“更多工具”->“开发者工具”
或者使用Ctrl+Shift+C、Ctrl+Shift+I
2、审查元素,发现图片地址非常有规律:
在class为side-image的div里有一个img,src是../files/mobile/1.jpg?220927153454,去掉后面的问号部分即可得到/files/mobile/1.jpg,通过观察,这本书一共有多少页就会有多少个.jpg文件
3、回到栏目页,可得到基目录,所以批量抓取的大致思路是从栏目页获得基目录,然后不断累加一个数,直到获得jpg时对方服务器报404错误,即可得到刚刚处理的那一页即最后一页。
4、如何从栏目页获得基目录呢?
经观察,每个page_pc_btm_book_body里都有两个a标签,第一个是图片,第二个是“在线阅读”按钮,但是需要翻页怎么办呢?所以需要建立一个变量收集它们,每翻一页,做一次收集。于是可以写如下收集函数:
let books=[]
function catchBook() {let links = document.getElementsByClassName("page_pc_btm_book_body");for (let i in links) {if(!links[i].children||links[i].children.length<2)continue;let title = links[i].children[0].title;let link = links[i].children[0].href;books.push({title,link})}
}
然后在浏览器里每翻一页,在控制台里执行一次catchBook,这样书名和基目录就都获得了。
5、如何把JSON导出来呢
在控制台里JSON.stringify(books),把结果复制出来,然后到网上随便找一个JSON转Excel的工具,转出来即可,然后注意把第一行当表头,数据复制到第二行开始。
6、最后一步就写个程序从Excel里读出数据,把图片都批量抓下来即可,下面就说说如何写程序来处理。
需要引的包
<dependency><groupId>org.apache.poi</groupId><artifactId>poi</artifactId><version>4.1.0</version>
</dependency>
<dependency><groupId>org.apache.poi</groupId><artifactId>poi-ooxml</artifactId><version>4.1.0</version>
</dependency>
<dependency><groupId>org.apache.poi</groupId><artifactId>poi-ooxml-schemas</artifactId><version>4.1.0</version>
</dependency>
<dependency><groupId>org.apache.poi</groupId><artifactId>poi-scratchpad</artifactId><version>4.1.0</version>
</dependency>
<dependency><groupId>org.apache.poi</groupId><artifactId>ooxml-schemas</artifactId><version>1.4</version>
</dependency>
<dependency><groupId>com.itextpdf</groupId><artifactId>itextpdf</artifactId><version>5.5.13.3</version>
</dependency>
从Excel到实体
先定义一个实体,这里我多加了一列type,表示类型,name就是从上面那个里面获得的title,link就是上面获得的link属性。
import lombok.Data;@Data
public class Book {private String type;private String name;private String link;
}
然后写个ExcelReader
import org.apache.poi.ss.usermodel.*;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;import java.io.FileInputStream;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;public class ExcelReader {public static List<Book> readXlsxToList(String filePath) {List<Book> bookList = new ArrayList<>();try (FileInputStream fileInputStream = new FileInputStream(filePath);Workbook workbook = new XSSFWorkbook(fileInputStream)) {Sheet sheet = workbook.getSheetAt(0);Iterator<Row> rowIterator = sheet.iterator();// 获取表头(第一行)并转换为属性数组Row headerRow = rowIterator.next();String[] headers = getRowDataAsStringArray(headerRow);// 遍历每一行(从第二行开始)while (rowIterator.hasNext()) {Row row = rowIterator.next();Book book = new Book();// 遍历每个单元格,并根据属性名称设置对应的实体类属性值for (Cell cell : row) {int columnIndex = cell.getColumnIndex();if (columnIndex < headers.length) {String headerValue = headers[columnIndex];String cellValue = getCellValueAsString(cell);setBookProperty(book, headerValue, cellValue);}}bookList.add(book);}} catch (IOException e) {e.printStackTrace();}return bookList;}private static String[] getRowDataAsStringArray(Row row) {String[] rowData = new String[row.getLastCellNum()];for (Cell cell : row) {int columnIndex = cell.getColumnIndex();rowData[columnIndex] = getCellValueAsString(cell);}return rowData;}private static String getCellValueAsString(Cell cell) {String cellValue = "";if (cell != null) {switch (cell.getCellType()) {case STRING:cellValue = cell.getStringCellValue();break;case NUMERIC:cellValue = String.valueOf(cell.getNumericCellValue());break;case BOOLEAN:cellValue = String.valueOf(cell.getBooleanCellValue());break;case FORMULA:cellValue = cell.getCellFormula();break;default:cellValue = "";}}return cellValue;}private static void setBookProperty(Book book, String propertyName, String propertyValue) {switch (propertyName) {case "type":book.setType(propertyValue);break;case "name":book.setName(propertyValue);break;case "link":book.setLink(propertyValue);break;// 添加其他属性default:// 未知属性,可以根据需要进行处理break;}}
}
从实体集合到批量下载成jpg
还需要想办法实现批量下载的功能,需要注意的是Windows的默认文件排序是按ASC码排序的,会把10.jpg排在2.jpg前面,所以需要对页码格式化一下,把它变成三位数。
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.net.HttpURLConnection;
import java.net.URL;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.List;public class ImageDownloader {public static void downloadImages(List<Book> bookList, String targetDir) {for (Book book : bookList) {String type = book.getType();String name = book.getName();String link = book.getLink();String basePath = targetDir + "/" + type + "/" + name;int count = 1;boolean continueDownload = true;if(!new File(basePath).exists()){new File(basePath).mkdirs();}while (continueDownload) {String imgUrl = link + "files/mobile/" + count + ".jpg";String outputPath = String.format("%s/%03d.jpg", basePath, count);if (!imageExists(outputPath)) {try {downloadImage(imgUrl, outputPath);System.out.println("Downloaded: " + outputPath);} catch (IOException e) {System.out.println("Error downloading image: " + imgUrl);e.printStackTrace();continueDownload = false;}} else {System.out.println("Image already exists: " + outputPath);}count++;}}}private static boolean imageExists(String path) {Path imagePath = Paths.get(path);return Files.exists(imagePath);}private static void downloadImage(String imageUrl, String outputPath) throws IOException {URL url = new URL(imageUrl);HttpURLConnection httpConn = (HttpURLConnection) url.openConnection();int responseCode = httpConn.getResponseCode();if (responseCode == HttpURLConnection.HTTP_OK) {try (InputStream inputStream = httpConn.getInputStream();FileOutputStream outputStream = new FileOutputStream(outputPath)) {byte[] buffer = new byte[4096];int bytesRead;while ((bytesRead = inputStream.read(buffer)) != -1) {outputStream.write(buffer, 0, bytesRead);}}} else {throw new IOException("Server returned response code " + responseCode);}}
}
开始批量下载
import java.util.List;public class Test {public static void main(String[] args) {List<Book> books = ExcelReader.readXlsxToList("C:\\Users\\Administrator\\Desktop\\某某书库.xlsx");String targetDir = "D:\\书库\\";ImageDownloader.downloadImages(books, targetDir);}
}
写完执行,回去睡一觉
jpg图片批量转成pdf
都下载完之后,就可以想办法批量转成PDF格式了。
import com.itextpdf.text.*;
import com.itextpdf.text.pdf.PdfWriter;import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.net.MalformedURLException;public class ImageToPdfConverter {public static void convertToPdf(String folderPath, String outputFilePath) {try {// 获取文件夹中的所有jpg文件File folder = new File(folderPath);File[] files = folder.listFiles((dir, name) -> name.toLowerCase().endsWith(".jpg"));// 预读第一章图片获得大小Rectangle rect = null;if (files.length == 0) {return;} else {Image image = Image.getInstance(files[0].getAbsolutePath());rect = new Rectangle(image.getWidth(), image.getHeight());}// 创建PDF文档对象Document document = new Document(rect);document.setMargins(0, 0, 0, 0);// 创建PDF写入器PdfWriter writer = PdfWriter.getInstance(document, new FileOutputStream(outputFilePath));writer.setStrictImageSequence(true);// 打开PDF文档document.open();// 遍历图片文件并将其加入到PDF文档中for (File file : files) {Image image = Image.getInstance(file.getAbsolutePath());document.add(image);}// 关闭PDF文档document.close();System.out.println("PDF文件生成成功!");} catch (FileNotFoundException | DocumentException e) {e.printStackTrace();} catch (MalformedURLException e) {throw new RuntimeException(e);} catch (IOException e) {throw new RuntimeException(e);}}public static void main(String[] args) {String startDir="D:\\书库\\开发技术\\";File[] subdirs = new File(startDir).listFiles();for (File subdir : subdirs) {if(subdir.isDirectory()){convertToPdf(subdir.getAbsolutePath(), subdir.getAbsolutePath()+".pdf");}}}
}
结束
最后把PDF文件传到网盘上,手机、平板、电脑随时可以下载离线看,非常舒服。
注意:自己抓取书籍自己看无所谓,但通过网络分享出去是侵犯他人著作权的。
相关文章:
Java批量下载书籍图片并保存为PDF的方法
背景 因为经常出差火车上没网、不方便电子书阅读器批注,需要从某网站上批量下载多本书籍的图片并自动打包成PDF文件。 分析 1、尝试获得图片地址,发现F12被禁 解决方法:使用Chrome浏览器,点击右上角三个点呼出菜单,…...
flutter 创建lib
在根目录下创建 packages 文件夹创建lib (flutter create --templatepackage xxx)需要在pubspec.yaml中的根目录下添加 publish_to: ‘none’ # 如果你想发布到pub.dev,请删除这一行配置 lib_rock_utils:path: packages/lib_rock_utils...
深度剖析堆栈指针
为什么打印root的值与&root->value的值是一样的呢 测试结果: *号一个变量到底取出来的是什么? 以前我写过一句话,就是说,如果看到一个*变量,那就是直逼这个变量所保存的内存地址,然后取出里面保存的…...
C++笔记之静态成员函数的使用场景
C笔记之静态成员函数的使用场景 C静态成员函数的核心特点是不与特定类实例相关,可通过类名直接调用,用于执行与类相关的操作而无需创建类对象。其主要用途是在类级别上共享功能,管理全局状态或提供工具函数。 code review! 文章目录 C笔记之…...
Nginx的优化和防盗链
一、Nginx的优化 1、隐藏版本号 curl -I http://192.168.79.28 #查看信息(版本号等)方法一:修改配置文件 vim /usr/local/nginx/conf/nginx.conf vim /usr/local/nginx/conf/nginx.conf http {include mime.types;default_type ap…...
第二十次CCF计算机软件能力认证
数学专场 第一题:称检测点查询 解题思路:计算欧几里得距离 #include<iostream> #include<vector> #include<algorithm>using namespace std;typedef pair<int , int> PII; int n , x , y; vector<PII>v;int main() {ci…...
一篇文章带你了解Java发送邮件:使用JavaMail API发送电子邮件的注意事项、发送附件等
Java发送邮件:使用JavaMail API发送电子邮件 作者:Stevedash 发表于:2023年8月13日 15点48分 来源:Java 发送邮件 | 菜鸟教程 (runoob.com) 电子邮件在现代通信中扮演着至关重要的角色,而在Java编程中,…...
kubernetes的日志
1、日志在哪里 kubelet组件,systemd方式部署,journalctl -u kubelet 查看 其他组件,pod方式部署,kubectl logs 查看 容器运行时将日志写入 /var/log/pods 系统日志,/var/log/message 2、查看服务日志 #首先检查服…...
设计HTML5文本
网页文本内容丰富、形式多样,通过不同的版式显示在页面中,为用户提供最直接、最丰富的信息。HTML5新增了很多文本标签,它们都有特殊的语义,正确使用这些标签,可以让网页文本更严谨、更符合语义。 1、通用文本 1.1、标…...
msvcr120.dll丢失怎样修复?总结三个dll修复方法
当我遇到msvcr120.dll丢失的问题时,我感到有些困惑和焦虑。因为这个问题会导致我无法运行依赖这个文件的应用程序。msvcr120.dll是运行时库文件的一部分,为应用程序提供了必要的运行时支持。它的丢失会导致应用程序无法正常运行,这让我意识到…...
选择题方法论——颉斌斌
文章目录 一、仔细阅读文章结构Ⅰ 时间对比Ⅱ 抛砖引玉Ⅲ 开门见山Ⅳ 一分为二Ⅴ 两者关系Ⅵ 研究性文章 1 如何精准定位1.1 定位明显的题1.2 定位不明显的题1.3 定位找不到出题句的题 2 对比选项两点2.1 接收信息2.2 对比信息 3 选择题答案特点4 评估选项5 选择题的固有缺陷5.…...
23.8.8 杭电暑期多校7部分题解
1008 - H.HEX-A-GONE Trails 题目大意 有两个玩家和一棵树,初始状态玩家一和玩家二分别在两个点 x , y x,\space y x, y,每次操作可以走一个与当前点有连边并且双方都没走到过的点,问最后是谁赢 解题思路 因为不能走走过的点,…...
《24海南大学835软件工程考研经验贴》
1.经验之谈 首先,我是一个二战的考生,一战给我带来的经验有几点。第一,数学、专业课这两门越早复习越好,越拖到后面你就会发现来不及了,这学不完,那学不完的。第二、我认为是比较关键的一点,一定…...
【yolo系列:运行报错AttributeError: module ‘torch.nn‘ has no attribute ‘Mish‘】
最近运行yolov7报错AttributeError: module ‘torch.nn‘ has no attribute ‘Mish‘ 网上搜罗了一系列的报错方法但是都不怎么好解决,那么在这里给出具体解决方法,以及一些别人的参考文章。 这里先解释自己的,然后再给出别人的相对应的报错…...
Leetcode 剑指 Offer II 039. 直方图最大矩形面积
题目难度: 困难 原题链接 今天继续更新 Leetcode 的剑指 Offer(专项突击版)系列, 大家在公众号 算法精选 里回复 剑指offer2 就能看到该系列当前连载的所有文章了, 记得关注哦~ 题目描述 给定非负整数数组 heights ,数组中的数字用来表示柱状…...
SpringBoot案例-部门管理-修改
目录 前言 查看页面原型,明确需求 页面原型 需求 阅读接口文件 思路分析 功能接口开发 控制层(Controller类) 业务层(Service类) 业务类 业务实现类 持久层(Mapper类) 接口测试 前…...
element-ui表格数据为空,图片占位提示
当表格的绑定数据为空时常需要显示暂无数据等字样,这时候就用到了empty-text <el-table:data"tableData"stripeborderempty-text"暂无数据"> 但,当数据为空,想用图片展示呢,如下图 方法一:…...
C++ STL vector 模拟实现
✅<1>主页:我的代码爱吃辣 📃<2>知识讲解:C之STL 🔥<3>创作者:我的代码爱吃辣 ☂️<4>开发环境:Visual Studio 2022 💬<5>前言:上次我们已经数字会用…...
51单片机学习--红外遥控(外部中断)
需要利用下面这个红外接收头,OUT口会发出红外信号对应的高低电平,由于发送的速度很快,所以需要把OUT引脚接在外部中断引脚上,当OUT一旦产生下降沿,马上进中断,这样响应会更及时。 外部中断引脚位于P3_2和P…...
后端开发10.规格模块
概述 简介 效果图...
如何轻松设计你的动物森友会岛屿:Happy Island Designer 完整指南
如何轻松设计你的动物森友会岛屿:Happy Island Designer 完整指南 【免费下载链接】HappyIslandDesigner "Happy Island Designer (Alpha)",是一个在线工具,它允许用户设计和定制自己的岛屿。这个工具是受游戏《动物森友会》(Anima…...
告别大Batch和负样本:手把手复现SimSiam自监督训练(PyTorch版)
从零实现SimSiam自监督学习:PyTorch实战与调优指南 引言:为什么需要关注SimSiam? 2021年CVPR最佳论文提名的SimSiam,以其简洁优雅的设计在自监督学习领域掀起波澜。不同于传统对比学习需要海量负样本或超大batch size,…...
从源码到实战:在VS2022中集成curl网络库的完整指南
1. 为什么选择curl库? 如果你正在用C开发Windows应用程序,并且需要实现HTTP客户端功能,那么libcurl几乎是你的不二之选。作为一个成熟稳定的网络传输库,curl支持包括HTTP、HTTPS、FTP在内的多种协议,被广泛应用于各种开…...
Shopee卖家必看:如何用爬虫自动监控竞品评价与价格(Python实战)
Shopee卖家必看:如何用Python爬虫实现竞品评价与价格智能监控 在东南亚电商市场激烈竞争的今天,Shopee卖家们面临着一个共同的挑战:如何快速响应市场变化,及时调整运营策略?传统的人工监控方式不仅效率低下࿰…...
[RV1109/RV1126实战]-RGA与DRM协同优化:从零构建图像Resize加速引擎
1. 为什么需要RGA与DRM协同优化图像Resize? 在嵌入式视觉开发中,图像缩放(Resize)是最基础也是最耗时的操作之一。我在RV1126平台上实测发现,用OpenCV的resize函数处理一张640x480的RGB图像需要22ms,而同样…...
Windows Cleaner:彻底解决C盘空间不足的终极指南
Windows Cleaner:彻底解决C盘空间不足的终极指南 【免费下载链接】WindowsCleaner Windows Cleaner——专治C盘爆红及各种不服! 项目地址: https://gitcode.com/gh_mirrors/wi/WindowsCleaner 你的Windows电脑是不是经常出现C盘爆红的警告&#x…...
西门子200smart与3台施耐德ATV71变频器通讯程序 可靠稳定,程序自动走完Drivec...
西门子200smart与3台施耐德ATV71变频器通讯程序可靠稳定,程序自动走完Drivecom流程,解决施耐德ATV71变频器断电重启后,自准备工作,无需人为准备 器件:西门子s7-200smart PLC,昆仑通态带以太网通讯的触摸屏&…...
5分钟极速部署:为Windows 11 LTSC系统解锁微软商店完整生态
5分钟极速部署:为Windows 11 LTSC系统解锁微软商店完整生态 【免费下载链接】LTSC-Add-MicrosoftStore Add Windows Store to Windows 11 24H2 LTSC 项目地址: https://gitcode.com/gh_mirrors/ltscad/LTSC-Add-MicrosoftStore 当企业管理员面对Windows 11 L…...
AGI学派认知鸿沟正在扩大:3类不可调和的根本分歧(本体论/学习机制/验证标准),92%的研究者尚未意识到其后果
第一章:AGI学派认知鸿沟正在扩大:3类不可调和的根本分歧(本体论/学习机制/验证标准),92%的研究者尚未意识到其后果 2026奇点智能技术大会(https://ml-summit.org) 当前AGI研究正经历一场静默的范式撕裂:三…...
前端可视化图表库选型
前端可视化图表库选型指南 在数据驱动的时代,前端可视化图表库成为开发者的重要工具。无论是展示业务数据、分析用户行为,还是构建交互式报表,选择合适的图表库直接影响开发效率和用户体验。面对众多开源和商业化的图表库,如何根…...
