Node.js meitulu图片批量下载爬虫1.06版
//====================================================== // 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) { 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('[findPageUrls]socket端口连接超时。'); console.log(err); }else{ console.log('[findPageUrls]请求发生错误，err.code:'+err.code); console.log(err); } }); // 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('[start]socket端口连接超时。'); console.log(err); }else{ console.log('[start]请求发生错误，err.code:'+err.code); console.log(err); } }); // 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('[downloadPic]socket端口连接超时。'); console.log(err); }else{ console.log('[downloadPic]请求发生错误，err.code:'+err.code); console.log(err); } }); // 请求结束 req.end(); } // 调用getInput函数，程序开始 getInput();
2017年11月10日07:02:27
