Node.js学习 爬虫下载豆瓣电影top250图片

利用node.js实现爬虫，并且爬取豆瓣电影top250的列表和图片。

1 什么是node.js

简单的说 Node.js 就是运行在服务端的 JavaScript。
Node.js 是一个基于Chrome JavaScript 运行时建立的一个平台。
Node.js是一个事件驱动I/O服务端JavaScript环境，基于Google的V8引擎

 

2 什么是爬虫

（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

 

3 准备

　　需要引入的包有cheerio和request，直接使用npm install命令在工程目录下安装即可。

　　其中cheerio是类似jquery的包，cheerio是nodejs的抓取页面模块，用于解析DOM的。

　　而Request —— 让 Node.js http请求变得超简单。

 

　　新建data目录和img目录，data目录下面存放电影信息，img目录存放图片。这两个目录同样可以用fs模块的内置函数生成。

 

4 源码

var http = require('https');
// 豆瓣网站添加了https，所以用http模块就抓不到数据了，把http模块换成https模块，并且不得指定80端口，这里无需指定端口，https模块会默认使用443端口。
var fs = require('fs');
var path = require('path');

var cheerio = require('cheerio');
// 使用npm install cheerio --save 来安装 加入--sava参数，项目对于此包的依赖就会写入package.json中
// 这里不需要全局安装，所以不需要-g参数
var request = require('request');

var movies = [];
// 爬虫的URL信息
//
var num=0;
function getData(startNum) {
    var opt = {
        hostname: 'movie.douban.com',
        path: '/top250?start=' + startNum + '&filter=',
        // port : 80,
        headers: {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.117 Safari/537.36'
        }
    };


    http.get(opt, function(res) {
        var html = '';

        res.setEncoding('utf-8');

        res.on('data', function(chunk) {
            html += chunk;
        });

        res.on('end', function() {
                // 真正的处理在这里

                var $ = cheerio.load(html);

                $('.item').each(function() {
                    var info = $(".bd p", this).text().replace(/\s+/g, "");
                    var actor = $(".bd p", this).text();
                    var temp,temp2;
                    info.replace(/([\u2E80-\u9FFF\:\·]+)/, function(match, $1, $2) {
                        temp = $1;
                        temp2 = $2;
                    });

                    var movie = {
                        title: $('.title', this).eq(0).text(),
                        director: temp,
                        actor: temp2,
                        year: /\d+/g.exec(info).toString(),
                        star: $('.info .star .rating_num', this).text(),
                        quote: $(".quote .inq", this).text(),
                        picURL: $('.pic img', this).attr('src')
                    };
                    movies.push(movie);
                    saveImg('img/',movie.picURL,movie.title);
                });
                // console.log(movies);
                if(num<=25)
                    getData(num+=5);

            })
            // 还可以是txt
            // 调用10次，每次
        saveData('data/data.json', movies);

    }).on('error', function(err) {
        console.log(err);
    })
}

getData(0);

/**
 * [saveData description]
 * @param  {[type]} path   [保存数据的文件夹]
 * @param  {[type]} movies [数据]
 * @return {[type]}        [description]
 */
function saveData(path, movies) {
    fs.writeFile(path, JSON.stringify(movies), function(err) {
        if (err) {
            return console.log(err);
        }else {

            console.log("Data saved");
        }
    })
}

// 保存图片函数
function saveImg(imgDir, url,title) {
    http.get(url, function(res) {
        var data = '';
        res.setEncoding('binary');
        res.on('data', function(chunk) {
            data += chunk;
        });
        res.on('end', function() {
            //  path.basename(url)
            fs.writeFile(imgDir + title + '.jpg', data, 'binary', function(err) {
                if (err) {
                    return console.log(err);
                }
                console.log('image downloaded', title + '.jpg');
            });
        })
    }).on('error', function(err) {
        console.log(err);
    })
}