node爬虫(转)

我们先来看看今天的目标: mmjpg.com的美腿频道下的图片

一、实现步骤

使用superagent库来获取页面
分析页面结构，使用cheerio 获取有效信息
保存图片到本地
开撸
不断优化

这儿我们用到了superagent cheerio fs-extra这三个库

$ npm i superagent cheerio fs-extra --save

1.superagent 是nodejs里一个非常方便的客户端请求代理模块
2.cheerio：为服务器特别定制的，快速、灵活、实施的jQuery核心实现
3.fs-extra： 丰富了fs模块，同时支持async/await

二.请求URL获取HTML

app.js 使用superagent发起请求并打印出页面内容

const request = require('superagent')
const cheerio = require('cheerio')
const fs = require('fs-extra')

let url = 'http://www.mmjpg.com/tag/meitui/'

request.get(url + '1').then(function (res) {
    console.log(res.text)
})
// 你就可以看见HTML内容打印到了控制台

三.分析页面结构

使用cheerio来操作了，cheerio语法和jQuery基本一样。

找到class为pic那个div下的列表中，现在我们就可以使用cheerio来获取

async function getUrl() {
    const res = await request.get(url + 1)
    const $ = cheerio.load(res.text)
    $('.pic li').each(function(i, elem) {
        const href = $(this).find('a').attr('href')
        const title = $(this).find('.title').text()
        console.log(title, href)
    })
}

getUrl()

/*
$ node app.js
长腿美女白一晗巨胸丝袜写真精美图片 http://www.mmjpg.com/mm/1255
大美女尹菲开档网袜写真令人眼花缭乱 http://www.mmjpg.com/mm/1230
宅男女神丰满诱人的胴体令人想入非非 http://www.mmjpg.com/mm/1164
性感美女浴室写真高耸的酥胸诱惑十足 http://www.mmjpg.com/mm/1162
长相清纯甜美的97年妹子苗条美腿图片 http://www.mmjpg.com/mm/1157
丽质美女柔美修长美腿带给你曼妙感受 http://www.mmjpg.com/mm/1153
容貌似杨幂的美女馨怡美腿极致诱惑图 http://www.mmjpg.com/mm/1148
丝袜美腿诱惑!甜美女神杨晨晨私房套图 http://www.mmjpg.com/mm/1130
性感美女刘钰儿透视内衣私密照真撩人 http://www.mmjpg.com/mm/1127
肤白貌美的模特李晨晨十分惹人怜爱 http://www.mmjpg.com/mm/1126
萌妹林美惠子穿黑丝浴室私房写真福利 http://www.mmjpg.com/mm/1124
美女赵小米修长双腿丝袜写真能玩几年 http://www.mmjpg.com/mm/1111
微博高颜值美胸萌妹子少女映画写真集 http://www.mmjpg.com/mm/1107
性感妹子修长的双腿真是让人爱不释目 http://www.mmjpg.com/mm/1106
翘臀妹子绮里嘉饱满胸部美的夺人心目 http://www.mmjpg.com/mm/1103
*/

四.分析URL地址

在很多时候我们都需要分析URL，就像点击不同的页码观察URL变化 http://www.mmjpg.com/home/2，我们可以很容易发现页码对应为URL最后的数字。查看mmjpg.com的美腿频道我们可以发现它一共有10页内容，我们就不写代码判断页数了直接写死为10。当然了这儿你可以自己实现动态判断总页数，就当是留的小练习吧。

async function getUrl() {
    let linkArr = []
    for (let i = 1; i <= 30; i++) {
        const res = await request.get(url + i)
        const $ = cheerio.load(res.text)
        $('.pic li').each(function(i, elem) {
            let link = $(this).find('a').attr('href')
            linkArr.push(link)
        })
    }
    console.log(linkArr);
    return linkArr;
}

　　

五.获取图片地址

async function getPic(url) {
  const res = await request.get(url)
  const $ = cheerio.load(res.text)
  // 以图集名称来分目录
  const dir = $('.article h2').text()
  console.log(`创建${title}文件夹`)
  await fs.mkdir(path.join(__dirname, '/mm', title))
  const pageCount = parseInt($('#page .ch.all').prev().text())
  for (let i = 1; i <= pageCount; i++) {
    let pageUrl = url + '/' + i
    const data = await request.get(pageUrl)
    const _$ = cheerio.load(data.text)
    // 获取图片的真实地址
    const imgUrl = _$('#content img').attr('src')
    download(dir, imgUrl) // TODO
  }
}

六.保存图片到本地

现在我们就来实现下载保存图片的方法，这儿我们使用了stream(流) 来保存图片

function download(dir, imgUrl) {
  console.log(`正在下载${imgUrl}`)
  const filename = imgUrl.split('/').pop()
  const req = request.get(imgUrl)
    .set({ 'Referer': 'http://www.mmjpg.com' }) // mmjpg.com根据Referer来限制访问
  req.pipe(fs.createWriteStream(path.join(__dirname, 'mm', dir, filename)))
}
ok，现在我们就来把之前写的各个功能的函数连起来

async function init(){
  let urls = await getUrl()
  for (let url of urls) {
    await getPic(url)
  }
}

init()

　

代码:

const request = require('superagent')
const cheerio = require('cheerio')
const fs = require('fs-extra')
const path = require('path')

let url = "http://www.u-cpc.com/product/list.html";

// http://www.u-cpc.com/Product/List.html?page=3&cid=0&bid=0

// request.get(url).then(function(res){
//   console.log(res.text);
// })

// async function getUrl(){
//     const res = await request.get(url);
//     const $ = cheerio.load(res.text);
//     $(".product_ul li").each(function(i, elem){
//         const href = $(this).find("img").attr("data-original")
//         const title = $(this).find(".productlist_title").text();
//         console.log("标题是: " + title)
//         console.log("地址是: " + href)
//     })
// }
// getUrl();

/**
 * 获取图集的URL
 */
async function getUrl(){
    let linkArr = [];
    for(let i = 0; i <= 10; i++){
      const res = await request.get(url);
      const $ = cheerio.load(res.text);

      $(".product_ul li").each(function(i, elem){
          const href = $(this).find("img").attr("data-original")
          const title = $(this).find(".productlist_title").text();
          linkArr.push(href)
      })
    }
}
async function getPic(url) {
  const res = await request.get(url)
  const $ = cheerio.load(res.text)
  // 以图集名称来分目录
  const dir = $('.curr').text()
  console.log(`创建${dir}文件夹`)
  await fs.mkdir(path.join(__dirname, '/images', dir))
  for(let i = 1; i <= 10; i++){
    let pageUrl = url + '?page=' + i + '&cid=0&bid=0';
    const data = await request.get(pageUrl)
    const _$ = cheerio.load(data.text)
    _$(".product_ul li").each(function(i, elem){
      const imgUrl = $(this).find("img").attr("data-original");
      download(dir, imgUrl)
    })
  }
}

// 下载图片
function download(dir, imgUrl) {
  console.log(`正在下载${imgUrl}`)
  const filename = imgUrl.split('/').pop()
  const req = request.get(imgUrl)
      .set({
          'Referer': 'http://www.u-cpc.com/product/list.html'
      })
  req.pipe(fs.createWriteStream(path.join(__dirname, 'images', dir, filename)))
}

async function init() {
  getUrl();
  getPic(url)
}
// init();
download();
function download() {
  const url2 = "https://codeload.github.com/cheeriojs/cheerio/zip/master"
  const filename = url2.split('/').pop() + ".zip"
  const req = request.get(url2)
  req.pipe(fs.createWriteStream(path.join(__dirname, 'images', filename)))
}

七: 解决爬取gb2312网页出现乱码

使用superagent爬取网站内容，当网页编码不是utf-8编码时，中文就会返回乱码，原因是superagent只支持utf-8的网页编码，我们可以使用其扩展的一个npm模块superagent-charset

$ npm i superagent-charset

使用.charset(encoding)方法，就可以指定编码，详细如下：

const charset = require('superagent-charset');
const request = charset(require('superagent'));
superagent
    .get(url) // 获取网页内容
    .charset('gb2312') // 转码-将gb2312格式转成utf-8
    .then(function(err, res){
    });

// 爬公司的器材, 生成json文件

const request = require('superagent')
const cheerio = require('cheerio')
const fs = require('fs-extra')
const path = require('path')

let url = "http://www.u-cpc.com/product/list.html";

var toptens = [];  // 初始化json数组

/**
 * 获取图集的URL
 */

async function getUrl(){
    let linkArr = [];
    for(let i = 1; i <= 10; i++){
      const res = await request.get(url);
      const $ = cheerio.load(res.text);
      let pageUrl = url + '?page=' + i + '&cid=0&bid=0';
      linkArr.push(pageUrl);
    }
    return linkArr;
}
async function getPic(newUrl) {
  const topten = { // 设定爬取的json数组
    info: []
  };
  const res = await request.get(newUrl)
  const $ = cheerio.load(res.text)
  // 以图集名称来分目录
  const dir = $('.curr').text()
  console.log(`创建${dir}文件夹`)
  await fs.mkdir(path.join(__dirname, '/images', dir))
  $(".product_ul li").each(function(i, elem){
    i += 1;
    const imgUrl = $(this).find("img").attr("data-original");
    const imgText = $(this).find(".productlist_title").text();
    topten.info.push({
      number: i,
      title: imgText,
      images: imgUrl
    })
    download(dir, imgUrl);
  });

  toptens.push({topten: topten}); // 从原有的json数据之前追加json数据
  const json = JSON.stringify(toptens); // json格式解析，这步也是一定要有
  downloadJson(json);
}

// 创建json文件
function downloadJson(json){
  const filename = "toptens.json";
  const file = path.join(__dirname, filename)
  fs.outputFile(file, json, function(err) {
    //file has now been created, including the directory it is to be placed in
  });
}

// 下载图片
function download(dir, imgUrl) {
  console.log(`正在下载${imgUrl}`)
  const filename = imgUrl.split('/').pop()
  const req = request.get(imgUrl)
      .set({
          'Referer': 'http://www.u-cpc.com/product/list.html'
      })
  req.pipe(fs.createWriteStream(path.join(__dirname, 'images', dir, filename)))
}

async function init() {
  const getUrls = await getUrl();
  for(let i = 0; i < getUrls.length; i++){
    await getPic(getUrls[i])
  }
}
init();

八:注意并发的，毕竟爬取频率会有限制

问: err:Error: connect ETIMEDOUT 博主做爬虫的时候有没有遇到报这个错的，我按你的代码写爬我们的网站，好多页面都报这个错误

答: 并发爬取的数量太高 或者爬的太快。你爬的网站有做爬虫保护限制。把并发量调低 把 延迟调大 就可以了。

PHP, Python, Node.js 哪个比较适合写爬虫？
1.PHP对多线程、异步支持较差，不建议采用。PHP 4.3.0以后引入的PHP Command Line特性，实现了让PHP脱离Web服务器，和Phthon一样独立运行。因此用来写爬虫也是非常方便的。
2.NodeJS：对一些垂直网站爬取倒可以，但由于分布式爬取、消息通讯等支持较弱，根据自己情况判断。
3.Python：强烈建议，对以上问题都有较好支持。尤其是Scrapy框架值得作为第一选择, 专门用来做爬虫的一个框架。优点诸多：支持xpath；基于twisted，性能不错；有较好的调试工具；
4.C、C++虽然性能不错，但不推荐，尤其是考虑到成本等诸多因素；

　

参考: https://github.com/ogilhinn/mm-spider