爬虫

作者：yuyuyu
链接：https://zhuanlan.zhihu.com/p/24730075
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

序言

闲的无聊，看到一个段子网站的美女福利还不错，迫于福利加载太慢看的不过瘾，就想用Nodejs写个简单爬虫全部爬下来看多好….. 此处省略5000字…..

准备

要爬，首先得要有目标，我呢，就把目标锁定到了 某哈，然后呢就是用浏览器来分析分析其中的规律

从中可以看到每一条段子都是一个 .joke-list-item, 当点击下一页的时候 url中地址的最后一位数就表示分页的页码。有些图片是缩略图，我们把缩略图和正常图的地址进行了比较，发现他们的地址格式是一样的，缩略图在small文件夹下，大图在big文件夹下。分析完了我们就可以写代码了。

开始

这个简单爬虫分两个部分，1、获取图片地址。2、进行下载。因为下载是一个耗时的操作，所以两个部分分开了，这样也有利于后期改动。

导入必要的模块，使用cheerio 是第三方模块，可以使用 npm install cheerio 进行安装

var http = require(‘http’); // http 网路
var cheerio = require(‘cheerio’); // html 解析
var fs = require(“fs”); // 流

var queryHref = “http://www.haha.mx/topic/1/new/“; // 设置被查询的目标网址
var querySearch = 1; // 设置分页位置

var urls = []; // 所有待下载的图片地址

这个是解析图片地址方法

/**
* 根据url和参数获取分页内容
* @param {String}： url
* @param {int}： serach
*/
function getHtml(href, serach) {
var pageData = “”;
var req = http.get(href + serach, function(res) {
res.setEncoding(‘utf8’);
res.on(‘data’, function(chunk) {
pageData += chunk;
});

res.on('end', function() {
  $ = cheerio.load(pageData);
  var html = $(".joke-list-item .joke-main-content a img");

  for(var i = 0; i < html.length; i++) {
    var src = html[i].attribs.src;
    // 筛选部分广告，不是真的段子
    if (src.indexOf("http://image.haha.mx") > -1) {
      urls.push(html[i].attribs.src)
    }
  }

});

});
}

这个是下载图片的方法

/**
* 下载图片
* @param {String} imgurl：图片地址
*/
function downImg(imgurl) {
var narr = imgurl.replace(“http://image.haha.mx/“, “”).split(“/”)

http.get(imgurl.replace(“/small/”, “/big/”), function(res) {
var imgData = “”;
//一定要设置response的编码为binary否则会下载下来的图片打不开
res.setEncoding(“binary”);

res.on("data", function(chunk) {
  imgData += chunk;
});

res.on("end", function() {
  var savePath = "./upload/topic1/" + narr[0]  + narr[1] + narr[2] + "_" + narr[4];
  // 保存图片
  fs.writeFile(savePath, imgData, "binary", function(err) {
    if(err) {
      console.log(err);
    }
  });
});

});
}

好，到这里核心的东西就写完了，然后就是组装一下，让他运行起来

附一个完整代码：

var http = require(‘http’); // http 网路
var cheerio = require(‘cheerio’); // html 解析
var fs = require(“fs”); // 流

// 设置被查询的目标网址
var queryHref = “http://www.haha.mx/topic/1/new/“;
// 设置分页位置
var querySearch = 1;

var urls = [];

/**
* 根据url和参数获取分页内容
* @param {String}： url
* @param {int}： serach
*/
function getHtml(href, serach) {
var pageData = “”;
var req = http.get(href + serach, function(res) {
res.setEncoding(‘utf8’);
res.on(‘data’, function(chunk) {
pageData += chunk;
});

res.on('end', function() {
  $ = cheerio.load(pageData);
  var html = $(".joke-list-item .joke-main-content a img");

  for(var i = 0; i < html.length; i++) {
    var src = html[i].attribs.src;
    // 筛选部分广告，不是真的段子
    if (src.indexOf("http://image.haha.mx") > -1) {
      urls.push(html[i].attribs.src)
    }
  }
  if (serach == pagemax) {
    console.log("图片链接获取完毕！" + urls.length);
    console.log("链接总数量：" + urls.length);
    if (urls.length > 0) {
      downImg(urls.shift());
    } else {
      console.log("下载完毕");
    }
  }
});

});
}

/**
* 下载图片
* @param {String} imgurl：图片地址
*/
function downImg(imgurl) {
var narr = imgurl.replace(“http://image.haha.mx/“, “”).split(“/”)

http.get(imgurl.replace(“/small/”, “/big/”), function(res) {
var imgData = “”;
//一定要设置response的编码为binary否则会下载下来的图片打不开
res.setEncoding(“binary”);

res.on("data", function(chunk) {
  imgData += chunk;
});

res.on("end", function() {
  var savePath = "./upload/topic1/" + narr[0]  + narr[1] + narr[2] + "_" + narr[4];
  fs.writeFile(savePath, imgData, "binary", function(err) {
    if(err) {
      console.log(err);
    }  else {
      console.log(narr[0]  + narr[1] + narr[2] + "_" + narr[4]);
      if (urls.length > 0) {
        downImg(urls.shift());
      } else {
        console.log("下载完毕");
      }
    }
  });
});

});
}

var pagemax = 10; // 获取10页的内容
function start(){
console.log(“开始获取图片连接”);
for (var i = 1 ; i <= pagemax ; i++) {
getHtml(queryHref, i);
}
}

start();

因为nodejs是异步的，所以在 start 方法中的for之后调用下载是不行，这个时候显示的 urls 中是没有数据的。

所以就是在 getHtml 中 等所有的连接分析完毕之后在调用 downImg，downImg下载完成之后在进行下一个下载。

项目目录很简单，如图：

然后我们切换到项目目录，执行 node app , 然后就静静的等待把，每次下载完一个会有对应的文件名打印出来的。

最后会出现 下载完毕！，之后就……. 你懂得……

这个是一个很简单的，当然后续你可以加上数据库，数据更新之类的…..

放几张我爬到的图