实验:用Unity抓取指定url网页中的所有图片并下载保存

突发奇想,觉得有时保存网页上的资源非常麻烦,有没有办法输入一个网址就批量抓取对应资源的办法呢。

需要思考的问题:

1.如何得到网页url的html源码呢?

2.如何在浩瀚如海的html中匹配出需要的资源地址呢?

3.如何按照得到的资源地址集合批量下载资源呢?

4.下载的资源一般为文件流,如何生成指定的资源类型并保存呢?

需要掌握的知识:

1.网络爬虫的基础知识,发送Http请求的方法

2.C# 正则表达式运用,主要是识别html中需要的rul网址

3.UnityWebRequest类文件流下载

4.C# File类和Stream类等基础文件操作

下面分项来进行实现:

关于爬虫这里就不进行介绍了,网上其他的地方有很多资料,简而言之就是采集网页信息和数据的程序。

第一步,就是要发送一个Web请求,也可以说是Http请求。

这跟你打开浏览器输入一个url地址然后回车产生的效果基本是类似的,网页上之所以能显示出正确的信息和数据,是因为每一个网页有对应的html源码,像很多浏览器例如谷歌浏览器都是支持查看网页源码的功能,例如下面是我经常去的喵窝的主页的html的<head>部分:

实验:用Unity抓取指定url网页中的所有图片并下载保存

html源码中可以查看到网页当前的很多隐藏信息和数据,其中还有大量的资源链接和样式表等。值得注意的是,html源码只有在网页全部加载完成之后很可以显示和查看,这意味着一个url地址的Web请求响应成功;有成功的情况当然就会有各种各样失败的情况,例如我们经常输入一个rul地址后出现404的提示,这种就是一个Http请求出现错误的情况,404表示服务器未找到请求的网页。其他的错误类型还有很多。为什么要了解这一点呢,因为之后在发送Http请求时要想办法对错误进行处理或跳过执行下一任务。

我们可以有很多方式来发送Http请求,Unity也更新了Web请求的方式:(以后代码我就直接截图了,这个插入代码功能都不能自动排整齐真的难受)

实验:用Unity抓取指定url网页中的所有图片并下载保存

主要用到的类就是UnityWebRequest,和Unity中以前的类WWW有些类似,主要用于文件的下载与上传。

要引入以下命名空间:

实验:用Unity抓取指定url网页中的所有图片并下载保存

UnityAction作为参数主要是用于请求结束后可以自动返回一个html源码。它本质上就是个泛型委托:

实验:用Unity抓取指定url网页中的所有图片并下载保存

泛型的参数可以从没有到多个,是一个非常好用的类(尤其是在协程的回调中,可以很方便的延时参数传递)

当然了,除了Unity内置的发送Web请求的方法,C#也封装了好几个类,你可以随便挑一个使用,例如 HttpWebRequest,WebClient,HttpClient等:

比如这样:

实验:用Unity抓取指定url网页中的所有图片并下载保存

如果成功通过Web请求得到了指定url地址的html源码,那就可以执行下一步了。

第二步,收集html中所需要的数据信息,本例中就是要从这些源码中找出图片的链接地址。

例如可能会有下面这几种情况:

实验:用Unity抓取指定url网页中的所有图片并下载保存

实验:用Unity抓取指定url网页中的所有图片并下载保存

实验:用Unity抓取指定url网页中的所有图片并下载保存

实验:用Unity抓取指定url网页中的所有图片并下载保存

总结一下,首先利用html的常用标签<img>来找可以找到大部分的图片,但还是有部分图片并不在这些标签之内。而且有时候,即使是在<img>标签之内的图片地址,还是有可能出现内链或是外链的区别,外链的话直接作为合法的url地址执行即可,但如果是内链的话就还要补全域名地址,所以我们还需要想办法识别一个url的正确域名。

关于如何识别匹配以上所说的字符串内容,目前最有效的方法就是正则表达式,下面就列举在本例中需要使用到的正则表达式:

1.匹配url域名地址:

private const string URLRealmCheck = @"(http|https)://()?(\w+(\.)?)+";

2.匹配url地址:

private const string URLStringCheck = @"((http|https)://)(([a-zA-Z0-9\._-]+\.[a-zA-Z]{2,6})|([0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}))(:[0-9]{1,4})*(/[a-zA-Z0-9\&%_\./-~-]*)?";

3.匹配html中<img>标签内的url地址:(不区分大小写,其中分组<imgUrl>中为所需的url地址)

private const string imgLableCheck = @"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""\']?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n""\'<>]*)[^<>]*?/?[\s\t\r\n]*>";

4.匹配html中<a>标签内href属性的url地址:(不区分大小写,主要用于深度检索,其中分组<url>中为所需的url地址)

private const string hrefLinkCheck = @"(?i)<a\s[^>]*?href=([\'""]?)(?!javascript|__doPostBack)(?<url>[^\'""\s*#<>]+)[^>]*>";

5.指定图片类型的匹配:(主要用于外链)

private const string jpg = @"\.jpg";
private const string png = @"\.png";

关于正则表达式的具体匹配用法,网上也有很多教程,这里就不说了。

给定一个html源码,下面从两个方向对图片进行匹配,先匹配外链,这里指定了匹配的文件类型:

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zgjjzf.html