Node实战-----爬取网页图片

      在本篇博文中我将实现一个完整的实例：主要使用Node.js爬取一个网页，需要通过第三方模块cheerio.js分析这个网页的内容，最后将这个网页的图片保存个在本地。

一、项目目录与思路

      新建一个项目名为：project_01,输入命令在控制台，使其生成package.json文件：

命令：

npm init

在控制台输入npm install命令下载需要的模块，在本项目中需要的request和cheerio模块，将使用命令进行下载到本地：

命令：

npm install request cheerio -S

此时项目的文件夹的目录为：

•  img文件夹用来存储图片文件
• node_modules文件夹是模块默认的保存位置
• index.js文件是整个项目的入口文件。
• config.js文件是配置文件，用来存放网页地址和图片文件夹的路径，这样做的目的是使整个项目的可拓展性增强。
• analyze.js文件用来存储分析DOM的方法。
• package.json文件是包的描述文件。

打开node_modules文件夹可以看到相应的模块：

 

       整体的思路：通过第三方模块request的请求网页地址，从而得到整个网页的DOM结构，根据DOM结构利用cheerio模块分析出图片文件的地址，再次请求这个地址，再次请求这个地址，最后将得到的图片数据存储在本地。

   二、   配置网页地址及图片存放的文件夹

配置内容：config.js中，在文件中通过exports导出这些配置内容，从而使其它文件可以使用

以爬码农网为例

代码：

config.js

const url='http://www.codeceo.com/';//填写自己请求的具体的网址

const path=require('path');
const imgDir=path.join(__dirname,'img');

module.exports.url=url;
module.exports.imgDir=imgDir;

三、解析DOM得到的图片地址

        得到DOM结构之后，将分析DOM部分代码写入analyze.js文件中，通过cheerio得到每一张图片的地址，最后利用一个回调函数callback处理这个地址（这里的回调函数callback是发送请求）：

代码：

analyze.js:

const cheerio=require('cheerio');
const fs=require('fs');
function findImg(dom,Callback){
    
    let $=cheerio.load(dom);
    $('img').each(function(i,elem){
        
        let imgSrc=$(this).attr('src');
           Callback(imgSrc,i);
    });
    
}
module.exports.findImg=findImg;

  cheerio模块可以像jQuery一样操作DOM，这里得到的是请求网页中每一张图片的文件地址

       

四、请求图片的地址以及图片文件的保存

请求图片的的地址：

     将请求的操作放在主模块index.js文件中，将config.js和analyze.js文件引入这个模块，利用request模块请求图片的地址，得到DOM结构，将DOM结构给analyze的findImg方法处理，代码：

const http=require('http');
const fs=require('fs');
const request=require('request');
const path=require('path');
const config=require('./config');
const analyze=require('./analyze');


function start(){
    
    request(config.url,function(err,res,body){
        
        console.log('start');
        if(!err && res){
            
            console.log('start');
            analyze.findImg(body);
        }
    })
}

图片文件的保存：

   通过分析DOM结构得到图片地址后，利用request再次发送请求，将请求得到的数据写入本地即可，这里也将其封装为一个函数，追加在index.js文件中：

代码：

function downLoad(imgUrl,i){
    let ext=imgUrl.split('.').pop();
    
    request(imgUrl).pipe(fs.createWriteStream(path.join(config.imgDir,i+'.'+ext),{
        
        'enconding':'binary'
    }))
    
    console.log(i);
}

注意：所获取的数据的二进制数据，所以一定要设置编码格式为binary，因为writeFile的默认编码格式为utf-8，否则保存的图片无法打开。

      同时，我们需要将这个download函数作为参数传递给analyze模块的findImg方法，最后运行这个项目的主函数start（），这样项目才会运行起来

index.js

const http=require('http');
const fs=require('fs');
const request=require('request');
const path=require('path');
const config=require('./config');
const analyze=require('./analyze');


function start(){
    
    request(config.url,function(err,res,body){
        
        console.log('start');
        if(!err && res){
            
            console.log('start');
            analyze.findImg(body,downLoad);
        }
    })
}

function downLoad(imgUrl,i){
    let ext=imgUrl.split('.').pop();
    
    request(imgUrl).pipe(fs.createWriteStream(path.join(config.imgDir,i+'.'+ext),{
        
        'enconding':'binary'
    }))
    
    console.log(i);
}
start();

最终的结果显示：

 运行代码不到5秒钟，就抓取完了并命名好了，这相对于我们手动保存，速度非常快

 你想抓取哪个网站的图片就抓取哪个网站的图片（当然除了那些做了防爬虫处理的）。

项目源代码：https://github.com/life2022/SSH_Forum/tree/master/project_01