使用nodejs爬取图片

在运行代码前,请确保本机是否有nodejs环境

D:\ > node -v
v12.1.0 //版本号

需要用到的包

axios //请求页面
cheerio // 把get请求的页面 可以使用jq的方法来获取dom
fs // 文件读写模块
request  // 请求模块 用来请求下载地址
path // 路径模块
url // 路由模块

爬虫遵循的规则

1. 遵守 Robots 协议，谨慎爬取
2. 限制你的爬虫行为，禁止近乎 DDOS 的请求频率，一旦造成服务器瘫痪，约等于网络攻击
3. 对于明显反爬，或者正常情况不能到达的页面不能强行突破，否则是 Hacker 行为
4. 如果爬取到别人的隐私，立即删除，降低进局子的概率。另外要控制自己的欲望

本次案例百度图片表情包

 

const axios = require("axios")
const cheerio = require("cheerio")
const fs = require('fs');
const request = require("request");
const path = require('path');
const url = require("url")

/**
 * 休眠方法,因为一次访问太多次目标网址会被拉黑
 * @param {Number} time 休眠时间以毫秒为单位
 * @returns Promise 
 */
const sleep = time => {
    return new Promise(function (resolve, reject) {
        setTimeout(function () {
            resolve();
        }, time);
    })
}

/**
 * 爬取某个地址下的img 图片
 * @param {String} httpUrl 目标地址
 * @param {Boolean} isBaidu 是否为百度图片地址
 */
async function start(httpUrl, isBaidu) {

    // 获取目标网址的dom节点,使用jq的方法来获取dom节点
    const { data } = await axios.get(httpUrl)
    let img = [];
    // 针对百度 进行爬取数据
    if (isBaidu) {
        img = getBaiDuImg(data)
    } else {
        const $ = cheerio.load(data)
        // 根据dom获取img src
        $(".imgbox img").each(function () {
            let src = dealImgUrl($(this).attr("src"), httpUrl)
            img.push(src)
        })
    }

    // 检测当前文件夹是否存在存储图片的文件夹
    const random = parseInt(Math.random() * 100)
    const dirPath = "./img" + random
    if (!fs.existsSync(dirPath)) {
        fs.mkdirSync(dirPath)
    }
    fs.writeFileSync("./data.json", JSON.stringify(img), "utf-8")

    /**
     * 在这里为什么不使用forEach遍历? 答案在下方链接
     * https://blog.csdn.net/yumikobu/article/details/84639025
     */
    for (let i = 0; i < img.length; i++) {
        const item = img[i]
        await sleep(1500)

        console.log(item + "开始下载");
        // const extname = path.extname(item) || '.jpg'
        // const filename = (i + 1) + extname
        let myUrl = new URL(item)  // node vision must v10 up! 
        let httpUrl = myUrl.origin + myUrl.pathname
        let filename = i + path.basename(httpUrl)
        const write = fs.createWriteStream(dirPath + "/" + filename)
        request.get(item).on('error', function (err) {
            console.log(item + "下载失败", err);
        }).pipe(write)
        console.log(item + "本地下载结束");
    }
}
process.on("exit", () => {
    console.log("爬取结束");
})
/**
 * 处理img的src
 * @param {String} src 路径
 * @param {String} pathurl url地址
 * @returns 返回图片链接地址
 */
function dealImgUrl(src, pathurl) {
    if (src.substr(0, 8) === 'https://' || src.substr(0, 7) === 'http://' || src.substr(0, 2) === "//" || src.substr(0, 5) === "data:") {
        return src
    }
    return url.resolve(pathurl, src)
}

/**
 * 
 * @param {String} str 百度返回的html字符 
 * @returns {Array} 返回图片链接地址
 */
function getBaiDuImg(str) {
    var reg = /app\.setData\(\'imgData\'\,\s+\{(.*?)\"data\":(.*?)\]\}/g
    var result = reg.exec(str)[2] + ']'
    result = result.replace(/\'/g, '"')
    result = JSON.parse(result)
    const img = []
    result.forEach(item => {
        if (item.objURL) {
            img.push(item.objURL)
        }
    })
    return img
}
// const HTTPURL = "https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1605517415488_R&pv=&ic=0&nc=1&z=&hd=&latest=&copyright=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&hs=2&sid=&word=%E7%94%B5%E8%84%91%E5%A3%81%E7%BA%B8++%E6%A2%85%E8%A5%BF"
const HTTPURL = "https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&sf=1&fmq=1389861203899_R&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&ala=6&ori_query=%E8%A1%A8%E6%83%85%E5%8C%85&fr=ala&ala=1&alatpl=adress&pos=2&oriquery=%E8%A1%A8%E6%83%85%E5%8C%85&alaTag=0&&word=%E8%A1%A8%E6%83%85%E5%8C%85%20%E6%90%9E%E7%AC%91&hs=2&xthttps=111111"
// 开始调用start函数进行爬取图片
start(HTTPURL, true)

 

仔细分析了一下,百度图片并不是在请求页面的时候就把图片的数据渲染到dom上了,而是通过js脚本创建出img的.所以使用正则匹配到img的数据,就可以知道图片链接地址了.

 

 

若是一般常规的网站图片 可以使用cheerio来操作dom获取图片路径地址

 

在代码里使用了一个sleep函数就是为了多次访问网站防止被拉黑,请勿频繁请求!

 

在爬取个别页面需要配置请求头或者https证书还须自行网上查阅方法.