Node.js實現爬取網站圖片的範例程式碼

2022-04-04 13:00:20

涉及知識點

開發一個小爬蟲，涉及的知識點如下所示：

https模組，主要是使用者獲取網路資源，如：網頁原始碼，圖片資源等。
cheerio模組，主要用於解析html原始碼，並可存取，查詢html節點內容。
fs模組，主要用於檔案的讀寫操作，如儲存圖片，紀錄檔等。
閉包，主要是對於非同步操作，物件的隔離保護。

cheerio簡介

什麼是cheerio ?

cheerio是為伺服器特別客製化的，快速、靈活、實施的jQuery核心實現。主要用於在伺服器端解析html。特點如下所示：

易用，語法類似jQuery語法，從jQuery庫中去除了所有 DOM不一致性和瀏覽器尷尬的部分。
解析快，比JSDOM快八倍。
靈活，Cheerio 封裝了相容的htmlparser。Cheerio 幾乎能夠解析任何的 HTML 和 XML document。

安裝cheerio

首先在命令列，切換到程式目錄，然後輸入安裝命令進行安裝，如下所示：

cnpm install cheerio

安裝過程，如下所示：

準備工作

在編寫爬蟲之前，首先需要分析目標內容，本次需要爬取的是某網站，星空型別的圖片內容，經過分析，發現所有的圖片都是在ul下每一個li中的a標籤內的img中，本次只需要解析出img的src屬性，即可獲取圖片的下載路徑。如下所示：

核心程式碼

經過以上分析，通過Node.js編寫程式碼，分為兩步，獲取所有圖片的url路徑，即解析所有目標img元素的src屬性。然後再下載具體圖片進行儲存即可。

參照所需要的功能模組，如下所示：

var https = require('https');
var cheerio = require('cheerio');
var fs = require('fs');

獲取並解析html頁面內容，如下所示：

//爬取的網址
var addrs=['https://www.*****.com/topic/show_27202_1.html','https://www.******.com/topic/show_27202_2.html','https://www.*****.com/topic/show_27202_3.html'];
var logger = fs.createWriteStream('./download/log.txt',{flags:'a+',autoClose:'true'});

for(i in addrs){
    (function(num){
   var addr = addrs[num];
   //建立目錄
   var p1 = new Promise(function(resolve,reject){
     fs.access('./download',function(err){
       if(err){
           fs.mkdir('./download',function(e){
               if(e){
                   console.log('建立失敗');
               }
           });
        }else{
            resolve("success");
        }
       });
   });

   p1.then(function(datas){
       var html='';
       var p2 = new Promise(function(resolve,reject){
           https.get(addr,function(res){
                res.on('data',function(data){
                    html+=data.toString();
                })
                res.on('end',function(){
                    resolve("success");
                });

            });

       });
      p2.then(function(data){
        //下載完成後，進行解析
        const $ =cheerio.load(html);
        var lis = $('#img-list-outer').find('li');
        for(var j=0;j<lis.length-1;j++){
            var li = lis[j];
            var src =$(li).find('a').find('img').attr('src');
            //console.log(src);
            //console.log('-------------------------');
            var imgurl='https:'+src;
            download(imgurl);
            var msg='['+j+']下載成功：'+imgurl;
            logger.write(msg+'n');
            console.log(msg);
        }
      });
   });
   })(i);
}

注意：因為所有爬取的目標共分為3頁，所以用到了迴圈，並且在迴圈中用到了閉包。

下載並儲存單張圖片程式碼，如下所示：

//下載圖片
function download(imgurl){
    var p1 = new Promise(function(resolve,reject){
        https.get(imgurl,function(res){
            var imgName=imgurl.substr(imgurl.lastIndexOf('/')+1);
            var stream = fs.createWriteStream('./download/'+imgName);
            res.pipe(stream);
            setTimeout(function(){
                resolve('success');
            },300);

        });
    });
    p1.then(function(data){
        return;
    });
}