利用node.js写一个爬取知乎妹纸图的小爬虫

前言

说起写node爬虫的原因，真是羞羞呀。一天，和往常一样，晚上吃过饭便刷起知乎来，首页便是推荐的你见过最漂亮的女生长什么样？,点进去各种漂亮的妹纸爆照啊！！!,看的我好想把这些好看的妹纸照片都存下来啊！一张张点击保存，就在第18张得时候，突然想起。我特么不是程序员么，这种手动草做的事，怎么能做，不行我不能丢程序员的脸了，于是便开始这次爬虫之旅。

原理

初入爬虫的坑，没有太多深奥的理论知识，要获取知乎上帖子中的一张图片，我把它归结为以下几步。

• 准备一个url(当然是诸如你见过最漂亮的女生长什么样？"color: #ff0000">开始动手

  大概知道原理之后我们就可以开干了

  准备一个url

  这个最简单了，去知乎随便一搜就是一大把，我们以

  发一张你认为很漂亮的美女照片？

  为例子，先来分析一下这个页面的dom结构,其实很简单，知乎的一个页面中会包含很多种类型的图片，有头像，用户评价上传的图片啥的。基本上在noscript种都可以找到对应的图片地址。

  

  获取这个url的html内容,并且拿到当前页面noscript中的img链接

  这一步我们需要会点简单的nodejs的知识，以及用到一个库叫cheerio,这个库具体是用来做什么的，详细请移步cheerio。

  简单来说就是可以在命令行中使用jQuery来搜索遍历获取相应的元素。

  那么怎样才能获取这个帖子的html呢

  使用nodejs的https模块

  var https = require('https')
  getAllHtml (url, callback) {
   let sHtml = '',
   _this = this;
   https.get(url, (res) => {
   res.on('data', (data) => {
   sHtml += data;
   });
   res.on('end', () => {
   callback.bind(_this, sHtml)();
   })
   }).on('error', (err) => {
   console.log(err);
   });
  }

  通过以上操作拿到网站的html之后，便是遍历出我们需要的图片地址来了

  filterHtml (sHtml, filePath) {
   let $ = cheerio.load(sHtml), // 将上一步拿到的网站html传入cheerio.load，便得到类似于包装过的jQuery对象，可以像jQuey的选择器一样来选择元素
   $Imgs = $('noscript img'),
   imgData = [],
   _this = this;
   $Imgs.each((i, e) => {
   let imgUrl = $(e).attr('src'); //取出对应的url
   imgData.push(imgUrl);
   // 将url传入开始下载
   _this.downloadImg(imgUrl, _this.filePath, 
   function (err) {
   console.log(imgUrl + 'has be down');
   });
   });
   console.log(imgData);
  }

  有了图片的url，如何下载到本地呢？
  

  我们需要使用request这个库，简单的调用一下api再结合node原生写文件的api。

  downloadImg (imgUrl, filePath, callback) {
   let fileName = this.parseFileName(imgUrl);
   request(imgUrl).pipe(fs.createWriteStream('./' + filePath + '/'+fileName)).on('close', callback && callback);
   }

  到这里就大功告成了，是不是很简单!!!已经将源码上传，欢迎大家下载查看。

  gitHub地址：https://github.com/qianlongo/node-small-crawler

  本地下载地址：http://xiazai.jb51.net/201705/yuanma/node-small-crawler(jb51.net).rar

  总结

  以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用node.js能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对的支持。