node爬蟲(轉)
我們先來看看今天的目標: mmjpg.com的美腿頻道下的圖片
一、實現步驟
使用superagent庫來獲取頁面
分析頁面結構,使用cheerio 獲取有效信息
保存圖片到本地
開擼
不斷優化
這兒我們用到了superagent cheerio fs-extra這三個庫
$ npm i superagent cheerio fs-extra --save
1.superagent 是nodejs裏一個非常方便的客戶端請求代理模塊
2.cheerio:為服務器特別定制的,快速、靈活、實施的jQuery核心實現
3.fs-extra: 豐富了fs模塊,同時支持async/await
二.請求URL獲取HTML
app.js 使用superagent發起請求並打印出頁面內容
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) }) // 你就可以看見HTML內容打印到了控制臺
三.分析頁面結構
使用cheerio來操作了,cheerio語法和jQuery基本一樣。
找到class為pic那個div下的列表中,現在我們就可以使用cheerio來獲取
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 長腿美女白一晗巨胸絲襪寫真精美圖片 http://www.mmjpg.com/mm/1255 大美女尹菲開檔網襪寫真令人眼花繚亂 http://www.mmjpg.com/mm/1230 宅男女神豐滿誘人的胴體令人想入非非 http://www.mmjpg.com/mm/1164 性感美女浴室寫真高聳的酥胸誘惑十足 http://www.mmjpg.com/mm/1162 長相清純甜美的97年妹子苗條美腿圖片 http://www.mmjpg.com/mm/1157 麗質美女柔美修長美腿帶給你曼妙感受 http://www.mmjpg.com/mm/1153 容貌似楊冪的美女馨怡美腿極致誘惑圖 http://www.mmjpg.com/mm/1148 絲襪美腿誘惑!甜美女神楊晨晨私房套圖 http://www.mmjpg.com/mm/1130 性感美女劉鈺兒透視內衣私密照真撩人 http://www.mmjpg.com/mm/1127 膚白貌美的模特李晨晨十分惹人憐愛 http://www.mmjpg.com/mm/1126 萌妹林美惠子穿黑絲浴室私房寫真福利 http://www.mmjpg.com/mm/1124 美女趙小米修長雙腿絲襪寫真能玩幾年 http://www.mmjpg.com/mm/1111 微博高顏值美胸萌妹子少女映畫寫真集 http://www.mmjpg.com/mm/1107 性感妹子修長的雙腿真是讓人愛不釋目 http://www.mmjpg.com/mm/1106 翹臀妹子綺裏嘉飽滿胸部美的奪人心目 http://www.mmjpg.com/mm/1103 */
四.分析URL地址
在很多時候我們都需要分析URL,就像點擊不同的頁碼觀察URL變化 http://www.mmjpg.com/home/2,我們可以很容易發現頁碼對應為URL最後的數字。查看mmjpg.com的美腿頻道我們可以發現它一共有10頁內容,我們就不寫代碼判斷頁數了直接寫死為10。當然了這兒你可以自己實現動態判斷總頁數,就當是留的小練習吧。
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.獲取圖片地址
async function getPic(url) { const res = await request.get(url) const $ = cheerio.load(res.text) // 以圖集名稱來分目錄 const dir = $(‘.article h2‘).text() console.log(`創建${title}文件夾`) 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) // 獲取圖片的真實地址 const imgUrl = _$(‘#content img‘).attr(‘src‘) download(dir, imgUrl) // TODO } }
六.保存圖片到本地
現在我們就來實現下載保存圖片的方法,這兒我們使用了stream(流) 來保存圖片 function download(dir, imgUrl) { console.log(`正在下載${imgUrl}`) const filename = imgUrl.split(‘/‘).pop() const req = request.get(imgUrl) .set({ ‘Referer‘: ‘http://www.mmjpg.com‘ }) // mmjpg.com根據Referer來限制訪問 req.pipe(fs.createWriteStream(path.join(__dirname, ‘mm‘, dir, filename))) } ok,現在我們就來把之前寫的各個功能的函數連起來 async function init(){ let urls = await getUrl() for (let url of urls) { await getPic(url) } } init()
代碼:
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("標題是: " + title) // console.log("地址是: " + href) // }) // } // getUrl(); /** * 獲取圖集的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) // 以圖集名稱來分目錄 const dir = $(‘.curr‘).text() console.log(`創建${dir}文件夾`) 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 = $(this).find("img").attr("data-original"); download(dir, imgUrl) }) } } // 下載圖片 function download(dir, imgUrl) { console.log(`正在下載${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:註意並發的,畢竟爬取頻率會有限制
問: err:Error: connect ETIMEDOUT 博主做爬蟲的時候有沒有遇到報這個錯的,我按你的代碼寫爬我們的網站,好多頁面都報這個錯誤
答: 並發爬取的數量太高 或者爬的太快。你爬的網站有做爬蟲保護限制。把並發量調低 把 延遲調大 就可以了。
PHP, Python, Node.js 哪個比較適合寫爬蟲?
1.PHP對多線程、異步支持較差,不建議采用。PHP 4.3.0以後引入的PHP Command Line特性,實現了讓PHP脫離Web服務器,和Phthon一樣獨立運行。因此用來寫爬蟲也是非常方便的。
2.NodeJS:對一些垂直網站爬取倒可以,但由於分布式爬取、消息通訊等支持較弱,根據自己情況判斷。
3.Python:強烈建議,對以上問題都有較好支持。尤其是Scrapy框架值得作為第一選擇, 專門用來做爬蟲的一個框架。優點諸多:支持xpath;基於twisted,性能不錯;有較好的調試工具;
4.C、C++雖然性能不錯,但不推薦,尤其是考慮到成本等諸多因素;
參考: https://github.com/ogilhinn/mm-spider
node爬蟲(轉)