说到爬虫，很多人都认为是很高大上的东西。哇塞，是不是可以爬妹纸图啊，是不是可以爬小片片啊。答案就是对的。爬虫可以完成这些东西的操作。但是，作为一个正直的程序员，我们要在法律允许范围内用爬虫来为我们服务，而不是为所欲为。（ps：此处应有掌声，谢谢。）
今天，我带来一个用Node.js写的爬虫。一说到教程呢，可能大多数人认为比较枯燥无味。那这样好了，我教大家爬妹纸图，上干货：
是不是瞬间有了动力了？
说到爬虫呢，其实从客观上来说，“所有网站皆可爬”。互联网的内容都是人写出来的，而且都是偷懒写出来的（不会第一页是a，下一页是8），所以肯定有规律，这就给人有了爬取的可能，可以说，天下没有不能爬的网站。而且即使网站不同，但是原理都类似，大部分爬虫都是从 发送请求——>获得页面——>解析页面——>下载内容——>储存内容 这样的流程来进行，只是用的工具不同，可能你用python，我用Node，他用PHP，但是思路也是与上面相同。
既然是用node完成爬虫，那么我们就要用到node环境，如果不会配的话，请参考我的第一篇博客。
好的，我们从爬虫流程开始分析我们需要的一些模块。
首先，我们需要发送请求获得页面，在这里呢，我们用到了request-promise模块。
const rp = require("request-promise"), //进入request-promise模块
async getPage(URL) {
const data = {
url,
res: await rp({
url: URL
})
};
return data //这样，我们返回了一个对象，就是这个页面的url和页面内容。
}
其次，解析页面，我们使用一个叫做Cheerio的模块将上面返回的对象中的res解析成类似JQ的调用模式。Cheerio使用一个非常简单，一致的DOM模型。因此解析，操作和渲染非常高效。初步的端到端基准测试表明cheerio 比JSDOM快大约8倍。
const cheerio = require("cheerio");//引入Cheerio模块
const $ = cheerio.load(data.res); //将html转换为可操作的节点
此时，我们要对我们即将进行爬取的页面进行分析。“www.mzitu.com/125685”，这是我们进行爬取的网址，F12查看DOM结构：
根据这个结构我们可以使用$(".main-image").find("img")[0].attribs.src来爬取这张图片的地址（如果不知道为什么是attribs.src的话可以一步一步console.log()一下看看）。
最后，到了最关键的时候，我们使用fs模块进行创建文件夹以及下载文件。这里用到了fs模块的几个指令：
1.fs.mkdirSync(downloadPath)：查看是否存在这个文件夹。
2.fs.mkdirSync(downloadPath)：创建文件夹。
3.fs.createWriteStream(`${downloadPath}/${index}.jpg`):写入文件，这里需要注意的是fs.createWriteStream 似乎不会自己创建不存在的文件夹，所以在使用之前需要注意，保存文件的文件夹一定要提前创建。
好的，大体的方法就是以上的几个模块和步骤。
在这里，我针对这个网站的一些情况进行一下分析：
1.这个网站一个页面只有一张图片，但是每个页面的网址都是有根据的。“http://www.mzitu.com/125685”（当你输入“http://www.mzitu.com/125685/1”时也会跳转此页面），“http://www.mzitu.com/125685/2”等等。那么我们可以根据这个规律去爬取，并且我们需要在页面的下方的页码栏中获得这一组图图片的页码：
2.我们一般不会只爬取一组图片，但是这个网站的图片的标题也就是最后的六位数基本没有规律可言，那么我们只能从最开始的首页入手。具体方法不多做描述，与获取图片的URL方式相同。
3.同理，我们爬取完一页的目录之后会进行对第二个目录的爬取，“http://www.mzitu.com/page/2/”，其原理和第一条相同。
4.但是，有的网站存在防盗链的情况，面对这种措施，我们需要伪造一个请求头来避开这个情况。这个可以从F12的Network中查到，看到这里的朋友我想也会明白。
let headers = {
Accept: "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
"Accept-Encoding": "gzip, deflate",
"Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8",
"Cache-Control": "no-cache",
Host: "i.meizitu.net",
Pragma: "no-cache",
"Proxy-Connection": "keep-alive",
Referer: data.url,//根据爬取的网址跟换
"Upgrade-Insecure-Requests": 1,
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.19 Safari/537.36"
};
以上就是我的全部思路。
代码：
业务代码：
const rp = require("request-promise"), //进入request-promise模块
fs = require("fs"), //进入fs模块
cheerio = require("cheerio"), //进入cheerio模块
depositPath = "D:/blog/reptile/meizi/"; //存放照片的地址
let downloadPath; //下载图片的文件夹地址
module.exports = {
async getPage(url) {
const data = {
url,
res: await rp({
url: url
})
};
return data;
},
getUrl(data) {
let list = [];
const $ = cheerio.load(data.res); //将html转换为可操作的节点
$("#pins li a")
.children()
.each(async (i, e) => {
let obj = {
name: e.attribs.alt, //图片网页的名字，后面作为文件夹名字
url: e.parent.attribs.href //图片网页的url
};
list.push(obj); //输出目录页查询出来的所有链接地址
});
return list;
},
getTitle(obj) {
downloadPath = depositPath + obj.name;
if (!fs.existsSync(downloadPath)) {//查看是否存在这个文件夹
fs.mkdirSync(downloadPath);//不存在就建文件夹
console.log(`${obj.name}文件夹创建成功`);
return true;
} else {
console.log(`${obj.name}文件夹已经存在`);
return false;
}
},
getImagesNum(res, name) {
if (res) {
let $ = cheerio.load(res);
let len = $(".pagenavi")
.find("a")
.find("span").length;
if (len == 0) {
fs.rmdirSync(`${depositPath}${name}`);//删除无法下载的文件夹
return 0;
}
let pageIndex = $(".pagenavi")
.find("a")
.find("span")[len - 2].children[0].data;
return pageIndex;//返回图片总数
}
},
//下载相册照片
async downloadImage(data, index) {
if (data.res) {
var $ = cheerio.load(data.res);
if ($(".main-image").find("img")[0]) {
let imgSrc = $(".main-image").find("img")[0].attribs.src;//图片地址
let headers = {
Accept: "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
"Accept-Encoding": "gzip, deflate",
"Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8",
"Cache-Control": "no-cache",
Host: "i.meizitu.net",
Pragma: "no-cache",
"Proxy-Connection": "keep-alive",
Referer: data.url,
"Upgrade-Insecure-Requests": 1,
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.19 Safari/537.36"
};//反防盗链
await rp({
url: imgSrc,
resolveWithFullResponse: true,
headers
}).pipe(fs.createWriteStream(`${downloadPath}/${index}.jpg`));//下载
console.log(`${downloadPath}/${index}.jpg下载成功`);
} else {
console.log(`${downloadPath}/${index}.jpg加载失败`);
}
}
}
};
主体逻辑代码：
const model = require("./model"),
basicPath = "http://www.mzitu.com/page/";
let start = 1,
end = 10;
const main = async url => {
let list = [],
index = 0;
const data = await model.getPage(url);
list = model.getUrl(data);
downLoadImages(list, index);//下载
};
const downLoadImages = async (list, index) => {
if (index == list.length) {
start++;
if (start < end) {
main(basicPath + start);//进行下一页图片组的爬取。
}
return false;
}
if (model.getTitle(list[index])) {
let item = await model.getPage(list[index].url),//获取图片所在网页的url
imageNum = model.getImagesNum(item.res,list[index].name);//获取这组图片的数量
for (var i = 1; i <= imageNum; i++) {
let page = await model.getPage(list[index].url + `/${i}`);//遍历获取这组图片每一张所在的网页
await model.downloadImage(page, i);//下载
}
index++;
downLoadImages(list, index);//循环完成下载下一组
} else {
index++;
downLoadImages(list, index);//下载下一组
}
};
main(basicPath + start);
此次项目已上传我的Github仓库https://github.com/lunlunshiwo/NodeJs-crawler，求star，谢谢。
总结：
至于后续操作，比如存到分类保存到本地和MongoDB数据库这样的操作，我下次再写，请关注我。
郑重提升，爬虫虽好，一定不能触犯法律。
如果本本文触犯您的利益，请留言。
如果觉得本文不错，不要吝啬您的点赞和关注。谢谢。
原文地址：https://www.cnblogs.com/cjm123/p/8605686.html