码迷,mamicode.com
首页 > Web开发 > 详细

Node.js meitulu图片批量下载爬虫1.06版

时间:2017-11-10 00:26:29      阅读:702      评论:0      收藏:0      [点我收藏+]

标签:color   http   pre   file   www   jquer   名称   获得   item   

//======================================================
// https://www.meitulu.com图片批量下载Node.js爬虫1.06
// 1.00 完成图片爬虫,手动输入页数和目录
// 1.01 改写。
// 1.02 手动输入页面url,然后自动解析
// 1.03 从命令行获得页面url,然后自动解析
// 1.04 解决数量节点位置不固定bug和输入状态不退出bug
// 1.05 增加自动模式和手动模式
// 1.06 更改为按名字搜索页批量下载
// 2017年11月9日
//======================================================

// 内置https模块,用来解析页面得到页数(图片总数)和目录(图片所在网络目录)
var https=require("https");

// 内置http模块,用来通过地址得到图片文件
var http=require("http");

// 用于解析gzip网页(ungzip,https得到的网页是用gzip进行压缩的)
var zlib = require(‘zlib‘); 

// cheerio模块,提供了类似jQuery的功能,用于从HTML code中查找页数和目录
var cheerio = require("cheerio");

// 内置文件处理模块,用于创建目录和图片文件
var fs=require(‘fs‘);

// 请求参数JSON,http和https都有使用
var options;

// request请求
var req;

//--------------------------------------
// 程序入口 
//--------------------------------------
function getInput(){
        
    process.stdout.write("\033[35m 请输入按名称搜索的页面URL:\033[039m");    //紫色
    process.stdin.resume();
    process.stdin.setEncoding(‘utf8‘);    

    process.stdin.on(‘data‘,function(text){
        process.stdin.end();// 退出输入状态        
        findPageUrls(text.trim());// trim()是必须的!        
    });    
}

//--------------------------------------
// 在按名称搜索的页面找到单页url
// batchPageUrl sample1:https://www.meitulu.com/t/mikie-hara/
// batchPageUrl sample2:https://www.meitulu.com/search/%E5%8E%9F%E5%B9%B2
// sample2类似的地址可能要尝试多次
//--------------------------------------
function findPageUrls(batchPageUrl){
    console.log("开始查找单页urls");
    
    var hostName="";
    var Path="";
    var arr=batchPageUrl.split("/");
    hostName=arr[2];
    console.log("hostName="+hostName);

    // 以是否以‘/’结尾区分两种情况
    if(batchPageUrl.charAt(batchPageUrl.length-1)==‘/‘){
        // 带斜杠的是点名字出来的已设定地址
        Path="/"+arr[3]+"/"+arr[4]+"/";
    }else{
        // 不带斜杠的是按关键字搜索出来的
        Path="/"+arr[3]+"/"+arr[4];
    }
    console.log("Path="+Path);

    // 初始化options  
    options={
        hostname:hostName,
            port:443,
            path:Path,// 子路径
          method:‘GET‘,
           agent:false,
            gzip: true,
            
    };
    
    req=https.request(options,function(resp){
        var html = [];

        resp.on("data", function(data) {
            html.push(data);
        })
        resp.on("end", function() {
            var buffer = Buffer.concat(html);

            zlib.gunzip(buffer, function(err, decoded) {
                var endIndex=-1;
                var folder="";

                if(err){
                    console.log("[findPageUrls]不能得到页面:"+batchPageUrl+"对应的html文本,错误是:"+err);
                    console.log(err);
                }else{
                    //console.log(decoded.toString());// gzip解压后的html文本
                    var body=decoded.toString();                    
                    var $ = cheerio.load(body);
                    

                    // 查找所有class为boxs的节点下面的ul li a节点
                    $(".boxs ul li a").each(function(index,element){
                        var text=$(element).attr("href");

                        // 有https://www.meitulu.com/item的地址的链接是目标
                        if(text.indexOf(‘https://www.meitulu.com/item‘)!=-1){
                            console.log("pageUrl="+text);
                            start(text);
                        }
                    })   
                    
        
                    
                }    
            })
        }).on("error", function() {
            console.log("获取失败")
        })
    });

    // 超时处理
    req.setTimeout(5000,function(){
        req.abort();
    });

    // 出错处理
    req.on(‘error‘,function(err){
        if(err.code=="ECONNRESET"){
            console.log(‘socket端口连接超时。‘);
        }else{
            console.log(‘请求发生错误,err.code:‘+err.code);
        }
    });

    // 请求结束
    req.end();
}


//--------------------------------------
// 开始单页下载 
//--------------------------------------
function start(pageUrl){
    console.log("开始下载...");

    var hostName="";
    var Path="";
    var arr=pageUrl.split("/");
    hostName=arr[2];
    Path="/"+arr[3]+"/"+arr[4];

    // 初始化options  
    options={
        hostname:hostName,
            port:443,
            path:Path,// 子路径
          method:‘GET‘,
           agent:false,
            gzip: true,
    };
    
    req=https.request(options,function(resp){
        var html = [];

        resp.on("data", function(data) {
            html.push(data);
        })
        resp.on("end", function() {
            var buffer = Buffer.concat(html);

            zlib.gunzip(buffer, function(err, decoded) {
                var endIndex=-1;
                var folder="";

                if(err){
                    console.log("不能得到html文本,因为"+err);
                    console.log("请使用 1.05版本里的 1.手动模式 下载 "+pageUrl);
                }else{
                    //console.log(decoded.toString());// gzip解压后的html文本
                    var body=decoded.toString();
                    var $ = cheerio.load(body);
                    

                    // 查找所有class为c_l的节点下面的p节点
                    $(".c_l p").each(function(index,element){
                        var text=$(element).text();

                        if(text.indexOf("数量")!=-1 && endIndex==-1){
                            var arr=text.split(" ");
                            endIndex=arr[1];
                        }
                    })   

                    // 查找所有class为c_l的节点下面的p节点
                    $(".content center img").each(function(index,element){
                        if(index==0){
                            var text=$(element).attr("src");
                            
                            var arr=text.split("/");
                            folder=arr[arr.length-2];                        
                        }
                    }) 
                    
                    console.log("页数="+endIndex);
                    console.log("目录="+folder);    

                    fs.mkdir(‘./‘+folder,function(err){
                        if(err){
                            console.log("目录"+folder+"已经存在");
                        }
                    });                
                    
                }    
                
                // 下载图片
                for(var i=1;i<=endIndex;i++){
                    downloadPic(folder,i);
                }

            })
        }).on("error", function() {
            console.log("获取失败")
        })
    });

    // 超时处理
    req.setTimeout(5000,function(){
        req.abort();
    });

    // 出错处理
    req.on(‘error‘,function(err){
        if(err.code=="ECONNRESET"){
            console.log(‘socket端口连接超时。‘);
        }else{
            console.log(‘请求发生错误,err.code:‘+err.code);
        }
    });

    // 请求结束
    req.end();
}

//--------------------------------------
// 下载图片
// folder:图片所在url的目录
// pinctureIndex:图片序号
//--------------------------------------
function downloadPic(folder,pinctureIndex){
    console.log("图片:"+pinctureIndex+"下载开始");

    // 初始化options
    options={
        hostname:‘mtl.ttsqgs.com‘,// 这里别加http://,否则会出现ENOTFOUND错误
            port:80,
            path:‘/images/img/‘+folder+‘/‘+pinctureIndex+‘.jpg‘,// 子路径
          method:‘GET‘,
    };

    req=http.request(options,function(resp){
        var imgData = "";
        resp.setEncoding("binary"); 

        resp.on(‘data‘,function(chunk){
            imgData+=chunk;            
        });

        resp.on(‘end‘,function(){
            var fileName="./"+folder+"/"+pinctureIndex+".jpg";
            fs.writeFile(fileName, imgData, "binary", function(err){
                if(err){
                    console.log("文件"+fileName+"下载失败.");
                }
                console.log("文件"+fileName+"下载成功");
            });    
        });
    });

    // 超时处理
    req.setTimeout(5000,function(){
        req.abort();
    });

    // 出错处理
    req.on(‘error‘,function(err){
        if(err.code=="ECONNRESET"){
            console.log(‘socket端口连接超时。‘);
        }else{
            console.log(‘请求发生错误,err.code:‘+err.code);
        }
    });

    // 请求结束
    req.end();
}

// 调用getInput函数,程序开始
getInput();

2017年11月9日21:39:49

Node.js meitulu图片批量下载爬虫1.06版

标签:color   http   pre   file   www   jquer   名称   获得   item   

原文地址:http://www.cnblogs.com/xiandedanteng/p/7811591.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!