欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

利用node.js写一个爬取知乎妹纸图的小爬虫

程序员文章站 2024-01-27 18:49:40
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...

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?????)
  • 获取这个url的html内容,并分析其中的dom结构,遍历找到这些漂亮的妹纸图片url
  • 获取图片内容
  • 将图片内容写入本地文件

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

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。

利用node.js写一个爬取知乎妹纸图的小爬虫

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。

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:

本地下载地址:

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。