标签:replace image 输入 创建 处理 current 下载图片 www []
这个爬虫在abaike爬虫的基础上改改图片路径和下一页路径就出来了,代码如下:
//====================================================== // umei图片批量下载Node.js爬虫1.00 // 2017年11月13日 //====================================================== // 内置http模块 var http=require("http"); // 内置文件处理模块,用于创建目录和图片文件 var fs=require(‘fs‘); // cheerio模块,提供了类似jQuery的功能,用于从HTML code中查找图片地址和下一页 var cheerio = require("cheerio"); // 请求参数JSON。http和https都有使用 var options; // request请求 var req; // 图片数组,找到的图片地址会放到这里 var pictures=[]; //-------------------------------------- // 爬取网页,找图片地址,再爬 // pageUrl sample:http://www.umei.cc/meinvtupian/waiguomeinv/12667.htm // pageUrl sample:http://www.umei.cc/meinvtupian/waiguomeinv/12667_3.htm //-------------------------------------- function crawl(pageUrl){ console.log("Current page="+pageUrl); // 得到hostname和path var currUrl=pageUrl.replace("http://",""); var pos=currUrl.indexOf("/"); var hostname=currUrl.slice(0,pos); var path=currUrl.slice(pos); //console.log("hostname="+hostname); //console.log("path="+path); // 初始化options options={ hostname:hostname, port:80, path:path,// 子路径 method:‘GET‘, }; req=http.request(options,function(resp){ resp.setEncoding(‘utf8‘); var body=""; resp.on(‘data‘,function(chunk){ body+=chunk; }); resp.on(‘end‘,function(){ //console.log("body="+body); var $ = cheerio.load(body); var picCount=0; // 找图片放入数组 $(".ImageBody p img").each(function(index,element){ var picUrl=$(element).attr("src"); //console.log(picUrl); if(picUrl.indexOf(‘.jpg‘)!=-1){ pictures.push(picUrl); picCount++; } }) console.log("找到图片"+picCount+"张."); var nextPageUrl=null; // 找下一页 $(".NewPages ul li a").each(function(index,element){ var text=$(element).text(); if(text.indexOf(‘下一页‘)!=-1){ nextPageUrl=$(element).attr("href"); nextPageUrl="http://www.umei.cc/"+nextPageUrl;// 把省略部分加上 console.log("找到下一页."); } }) if(nextPageUrl==null){ console.log(pageUrl+"已经是最后一页了."); download(pictures); }else{ //console.log("下一页是"+nextPageUrl); crawl(nextPageUrl); } }); }); // 超时处理 req.setTimeout(10000,function(){ req.abort(); }); // 出错处理 req.on(‘error‘,function(err){ if(err.code=="ECONNRESET"){ console.log(‘[crawl]socket端口连接超时。‘); console.log(err); }else{ console.log(‘请求发生错误,err.code:‘+err.code); console.log(err); } }); // 请求结束 req.end(); } var total=0; var succeed=0; var failed=0; //-------------------------------------- // 下载图片 //-------------------------------------- function download(pictures){ var folder=‘pictures(‘+getNowFormatDate()+")"; // 创建目录 fs.mkdir(‘./‘+folder,function(err){ if(err){ console.log("目录"+folder+"已经存在"); } }); total=pictures.length; console.log("总计有"+total+"张图片将被下载."); appendToLogfile(folder,"总计有"+total+"张图片将被下载.\n"); for(var i=0;i<pictures.length;i++){ var picUrl=pictures[i]; downloadPic(picUrl,folder); } } //-------------------------------------- // 写log文件 //-------------------------------------- function appendToLogfile(folder,text){ fs.appendFile(‘./‘+folder+‘/log.txt‘, text, function (err) { if(err){ console.log("不能书写log文件"); console.log(err); } }); } //-------------------------------------- // 取得当前时间 //-------------------------------------- function getNowFormatDate() { var date = new Date(); var seperator1 = "-"; var seperator2 = "_"; var month = date.getMonth() + 1; var strDate = date.getDate(); if (month >= 1 && month <= 9) { month = "0" + month; } if (strDate >= 0 && strDate <= 9) { strDate = "0" + strDate; } var currentdate =date.getFullYear() + seperator1 + month + seperator1 + strDate + " " + date.getHours() + seperator2 + date.getMinutes() + seperator2 + date.getSeconds(); return currentdate; } //-------------------------------------- // 下载单张图片 // picUrl sample:http://www.avbaike.net/wp-content/uploads/2016/08/108.jpg //-------------------------------------- function downloadPic(picUrl,folder){ console.log("图片:"+picUrl+"下载开始"); // 得到hostname和path var currUrl=picUrl.replace("http://",""); var pos=currUrl.indexOf("/"); var hostname=currUrl.slice(0,pos); var path=currUrl.slice(pos); //console.log("hostname="+hostname); //console.log("path="+path); var picName=currUrl.slice(currUrl.lastIndexOf("/")); // 初始化options options={ hostname:hostname, port:80, path:path,// 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(){ // 创建文件 var fileName="./"+folder+picName; fs.writeFile(fileName, imgData, "binary", function(err){ if(err){ console.log("[downloadPic]文件"+fileName+"下载失败."); console.log(err); appendToLogfile(folder,"文件"+fileName+"下载失败.\n"); failed++; }else{ console.log("文件"+fileName+"下载成功"); succeed++; } }); }); }); // 超时处理 req.setTimeout(7500,function(){ req.abort(); }); // 出错处理 req.on(‘error‘,function(err){ if(err){ console.log(‘[downloadPic]文件‘+picUrl+"下载失败,"+‘因为‘+err); appendToLogfile(folder,"文件"+picUrl+"下载失败.\n"); } failed++; }); // 请求结束 req.end(); } //-------------------------------------- // 程序入口 //-------------------------------------- function getInput(){ process.stdout.write("\033[35m 请输入第一页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 crawl(text.trim());// trim()是必须的! }); } // 调用getInput函数,程序开始 getInput();
2017年11月13日20:05:44
Node.js umei图片批量下载Node.js爬虫1.00
标签:replace image 输入 创建 处理 current 下载图片 www []
原文地址:http://www.cnblogs.com/xiandedanteng/p/7827890.html