快捷導(dǎo)航

nodejs制作爬蟲實(shí)現(xiàn)批量下載圖片

更新時(shí)間：2017年05月19日 08:50:13 作者：芒果屋里的貓

本文給大家分享的是作者使用nodejs制作爬蟲來(lái)爬去圖片并批量下載的全過(guò)程，非常的細(xì)致，有需要的小伙伴可以參考下

今天想獲取一大批貓的圖片，然后就在360流浪器搜索框中輸入 貓 ，然后點(diǎn)擊圖片。就看到了一大波貓的圖片： http://image.so.com/i?q=%E7%8... ，我在想啊，要是審查元素，一張張手動(dòng)下載，多麻煩，所以打算寫程序來(lái)實(shí)現(xiàn)。不寫不知道，一寫發(fā)現(xiàn)里面還是有很多道道的。

1. 爬取圖片鏈接

因?yàn)橹耙矊戇^(guò)nodejs爬蟲功能（參見：NodeJS制作爬蟲全過(guò)程），所以覺得應(yīng)該很簡(jiǎn)單，就用cheerio來(lái)處理dom啦，結(jié)果打印一下啥也沒有，后來(lái)查看源代碼：

發(fā)現(xiàn) waterfall_zoom 里面空空如也，查找了一下，發(fā)現(xiàn)所有的數(shù)據(jù)都是寫在 <script> 里面，然后動(dòng)態(tài)加載到頁(yè)面的，所以用cheerio.load到的頁(yè)面里面其實(shí)沒數(shù)據(jù)的。真實(shí)數(shù)據(jù)：

分析完畢，刷刷寫代碼：

var request = require('request');
var cheerio = require('cheerio');
var url = 'http://image.so.com/i?q=%E7%8C%AB&src=tab_www';

request(url,function(err,res,body){
  if(!err && res.statusCode === 200){
    var $ = cheerio.load(body);
    var imgList = []
    JSON.parse($('script[id="initData"]').html()).list.forEach(function(item){
      imgList.push(item.img)
    });
    console.log(imgList);
  }
});

2. 下載圖片到本地 2.1 粗糙的方案

最初的思路很簡(jiǎn)單，簡(jiǎn)單的 fs.createWriteStream() 就能解決：

var downloadPic = function(src, dest){
  request(src).pipe(fs.createWriteStream(dest)).on('close',function(){
    console.log('pic saved!')
  })
}

使用方式：

downloadPic(imgList[0],'./catpics/1.jpg');

成功捕獲一只貓！然后寫了一個(gè)循環(huán)準(zhǔn)備捕獲所有貓。然而這種方式是串行的，速度很慢！下載一大批圖片要花大量時(shí)間。

2.2 使用async異步批量下載

關(guān)于async的map操作，詳見： async_demo/map.js ，對(duì)集合中的每一個(gè)元素，執(zhí)行某個(gè)異步操作，得到結(jié)果。所有的結(jié)果將匯總到最終的callback里。與forEach的區(qū)別是，forEach只關(guān)心操作不管最后的值，而map關(guān)心的最后產(chǎn)生的值。

提供了兩種方式：

并行執(zhí)行。 async.map 同時(shí)對(duì)集合中所有元素進(jìn)行操作，結(jié)果匯總到最終callback里。如果出錯(cuò)，則立刻返回錯(cuò)誤以及已經(jīng)執(zhí)行完的任務(wù)的結(jié)果，未執(zhí)行完的占個(gè)空位

順序執(zhí)行。 async.mapSeries 對(duì)集合中的元素一個(gè)一個(gè)執(zhí)行操作，結(jié)果匯總到最終callback里。如果出錯(cuò)，則立刻返回錯(cuò)誤以及已經(jīng)執(zhí)行完的結(jié)果，未執(zhí)行的被忽略。

在此處：

async.mapSeries(imgList,function(item, callback){
  setTimeout(function(){
    downloadPic(item, './catpics/'+ (new Date()).getTime() +'.jpg');
    callback(null, item);
  },400);
}, function(err, results){});

注： 此處使用setTimeout，是因?yàn)橄螺d需要一定時(shí)間，在筆者較慢網(wǎng)速下，需要400ms的間隔能確保每張圖片下載完全。

成功捕獲一批貓貓！

2.3 使用bagpipe批量

bagpipe 是樸靈大大做的一個(gè)在nodejs中控制并發(fā)執(zhí)行的模塊。其安裝和使用也比較簡(jiǎn)單:

npm install bagpipe --save

使用：

var Bagpipe = require('bagpipe');

var bagpipe = new Bagpipe(10);
var files = ['這里有很多很多文件'];
for(vari =0; i < files.length; i++){
  bagpipe.push(fs.readFile, files[i], 'utf-8',function(err, data){
    ...
  });
}

在此處：

var bagpipe = new Bagpipe(10,{timeout: 100});
for(var i = 0; i < imgList.length; i++) {
  console.log('i:'+i)
  bagpipe.push(downloadPic, imgList[i], './catpics/'+ i +'.jpg', function(err, data){
    //
   });
}

3.總結(jié)

作為一個(gè)程序員，能用程序解決就不手動(dòng)解決。每一次嘗都會(huì)有新的收獲。

您可能感興趣的文章: