Node.js基础入门第六天

  • Node.js基础入门第六天已关闭评论
  • 17 次浏览
  • A+
所属分类:Web前端
摘要

经过前面五天的学习,对Node.js开发已经逐渐入门,今天结合之前学到的东西,开发一个小示例【爬取某图片网站的图片】,仅供学习分享使用,如有不足之处,还请指正。

经过前面五天的学习,对Node.js开发已经逐渐入门,今天结合之前学到的东西,开发一个小示例【爬取某图片网站的图片】,仅供学习分享使用,如有不足之处,还请指正。

涉及知识点

开发一个小爬虫,涉及的知识点如下所示:

  • https模块,主要是用户获取网络资源,如:网页源码,图片资源等。
  • cheerio模块,主要用于解析html源码,并可访问,查找html节点内容。
  • fs模块,主要用于文件的读写操作,如保存图片,日志等。
  • 闭包,主要是对于异步操作,对象的隔离保护。

cheerio简介

什么是cheerio ?

cheerio是为服务器特别定制的,快速、灵活、实施的jQuery核心实现。主要用于在服务端解析html。特点如下所示:

  • 易用,语法类似jQuery语法,从jQuery库中去除了所有 DOM不一致性和浏览器尴尬的部分。
  • 解析快,比JSDOM快八倍。
  • 灵活,Cheerio 封装了兼容的htmlparser。Cheerio 几乎能够解析任何的 HTML 和 XML document。

安装cheerio

首先在命令行,切换到程序目录,然后输入安装命令进行安装,如下所示:

1 cnpm install cheerio

安装过程,如下所示:

Node.js基础入门第六天

准备工作

在编写爬虫之前,首先需要分析目标内容,本次需要爬取的是某网站,星空类型的图片内容,经过分析,发现所有的图片都是在ul下每一个li中的a标签内的img中,本次只需要解析出img的src属性,即可获取图片的下载路径。如下所示:

Node.js基础入门第六天

 

 核心代码

经过以上分析,通过Node.js编写代码,分为两步,获取所有图片的url路径,即解析所有目标img元素的src属性。然后再下载具体图片进行保存即可。

引用所需要的功能模块,如下所示:

1 var https = require('https'); 2 var cheerio = require('cheerio'); 3 var fs = require('fs');

获取并解析html页面内容,如下所示:

 1 //爬取的网址   2 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'];  3 var logger = fs.createWriteStream('./download/log.txt',{flags:'a+',autoClose:'true'});  4   5 for(i in addrs){  6     (function(num){  7    var addr = addrs[num];  8    //创建目录  9    var p1 = new Promise(function(resolve,reject){ 10      fs.access('./download',function(err){ 11        if(err){ 12            fs.mkdir('./download',function(e){ 13                if(e){ 14                    console.log('创建失败'); 15                } 16            }); 17         }else{ 18             resolve("success"); 19         } 20        });   21    }); 22     23    p1.then(function(datas){ 24        var html=''; 25        var p2 = new Promise(function(resolve,reject){ 26            https.get(addr,function(res){ 27                 res.on('data',function(data){ 28                     html+=data.toString(); 29                 }) 30                 res.on('end',function(){ 31                     resolve("success"); 32                 }); 33                  34             }); 35             36        }); 37       p2.then(function(data){ 38         //下载完成后,进行解析 39         const $ =cheerio.load(html); 40         var lis = $('#img-list-outer').find('li'); 41         for(var j=0;j<lis.length-1;j++){ 42             var li = lis[j]; 43             var src =$(li).find('a').find('img').attr('src'); 44             //console.log(src); 45             //console.log('-------------------------'); 46             var imgurl='https:'+src; 47             download(imgurl); 48             var msg='['+j+']下载成功:'+imgurl; 49             logger.write(msg+'n'); 50             console.log(msg); 51         } 52       }); 53    }); 54    })(i); 55 }

注意:因为所有爬取的目标共分为3页,所以用到了循环,并且在循环中用到了闭包。

下载并保存单张图片代码,如下所示:

 1 //下载图片  2 function download(imgurl){  3     var p1 = new Promise(function(resolve,reject){  4         https.get(imgurl,function(res){  5             var imgName=imgurl.substr(imgurl.lastIndexOf('/')+1);  6             var stream = fs.createWriteStream('./download/'+imgName);  7             res.pipe(stream);  8             setTimeout(function(){  9                 resolve('success'); 10             },300); 11              12         }); 13     }); 14     p1.then(function(data){ 15         return; 16     }); 17 }

示例截图

开发完成后,运行代码,如下所示:
Node.js基础入门第六天

 

 爬取的图片,保存在文件夹中,如下所示:

Node.js基础入门第六天

 

注意:添加日志,是为了方便记录程序执行过程,对比图片和日志,便于发现问题。

备注

学而时习之,不亦说乎?有朋自远方来,不亦乐乎?人不知而不愠,不亦君子乎?