介紹

爬蟲的主要目的是收集互聯(lián)網(wǎng)上公開的一些特定數(shù)據(jù)。利用這些數(shù)據(jù)我們可以能進(jìn)行分析一些趨勢對比，或者訓(xùn)練模型做深度學(xué)習(xí)等等。本期我們就將介紹一個專門用于網(wǎng)絡(luò)抓取的 node.js 包—— node-crawler ，并且我們將用它完成一個簡單的爬蟲案例來爬取網(wǎng)頁上圖片并下載到本地。

node-crawler 是一個輕量級的 node.js 爬蟲工具，兼顧了高效與便利性，支持分布式爬蟲系統(tǒng)，支持硬編碼，支持http前級代理。而且，它完全是由 nodejs 寫成，天生支持非阻塞異步IO，為爬蟲的流水線作業(yè)機制提供了極大便利。同時支持對 DOM 的快速選擇（可以使用 jQuery 語法），對于抓取網(wǎng)頁的特定部分的任務(wù)可以說是殺手級功能，無需再手寫正則表達(dá)式，提高爬蟲開發(fā)效率。

安裝引入

我們先新建一個項目，在里面創(chuàng)建index.js作為入口文件。

然后進(jìn)行爬蟲庫 node-crawler 的安裝。

# PNPM
pnpm add crawler
# NPM
npm i -S crawler
# Yarn 
yarn add crawler

然后用過 require 引入進(jìn)去。

// index.js
const Crawler = require("crawler");

創(chuàng)建實例

// index.js
let crawler = new Crawler({
    timeout:10000,
    jQuery:true,
})
function getImages(uri) {
    crawler.queue({
        uri,
        callback: (err, res, done) => {
            if (err) throw err;
        }
    })
}

從現(xiàn)在我們將開始寫一個拿到html頁面的圖片的方法，crawler 實例化后，在其隊列中主要是為了寫入鏈接和回調(diào)方法。在每個請求處理完畢后將調(diào)這個回調(diào)函數(shù)。

這里還要說明一下， Crawler 使用了 request 庫，所以 Crawler 可供配置的參數(shù)列表是 request 庫的參數(shù)的超集，即 request 庫中所有的配置在 Crawler 中均適用。

元素捕獲

剛才或許你也看到了 jQuery 這個參數(shù)，你猜的沒錯，它可以使用 jQuery 的語法去捕獲 DOM 元素的。

// index.js
let data = []
function getImages(uri) {
    crawler.queue({
        uri,
        callback: (err, res, done) => {
            if (err) throw err;
            let $ = res.$;
            try {
                let $imgs = $("img");
                Object.keys($imgs).forEach(index => {
                    let img = $imgs[index];
                    const { type, name, attribs = {} } = img;
                    let src = attribs.src || "";
                    if (type === "tag" && src && !data.includes(src)) {
                        let fileSrc = src.startsWith('http') ? src : `https:${src}`
                        let fileName = src.split("/")[src.split("/").length-1]
                        downloadFile(fileSrc, fileName) // 下載圖片的方法
                        data.push(src)
                    }
                });
            } catch (e) {
                console.error(e);
                done()
            }
            done();
        }
    })
}

可以看到剛才通過 $ 來完成對請求中 img 標(biāo)簽的捕獲。然后我們下面的邏輯去處理補全圖片的鏈接和剝離出名字為了后面可以保存取名用。這里還定義了一個數(shù)組，它的目的是保存已經(jīng)捕獲到的圖片地址，如果下次捕獲發(fā)現(xiàn)同一個圖片地址，那么就不再重復(fù)處理下載了。

以下是掘金首頁html用 $("img") 捕獲到的信息打印：

下載圖片

下載之前我們還要安裝一個 nodejs 包—— axios ，是的你沒看錯，axios 不僅提供給前端，它也可以給后端去使用。但是因為下載圖片要把它處理成數(shù)據(jù)流，所以把 responseType 設(shè)置成 stream 。然后才可以用 pipe 方法保存數(shù)據(jù)流文件。

const { default: axios } = require("axios");
const fs = require('fs');
async function downloadFile(uri, name) {
    let dir = "./imgs"
    if (!fs.existsSync(dir)) {
        await fs.mkdirSync(dir)
    }
    let filePath = `${dir}/${name}`
    let res = await axios({
        url: uri,
        responseType: 'stream'
    })
    res.data.pipe(fs.createWriteStream(filePath))
}

因為可能圖片很多，所以要統(tǒng)一放在一個文件夾下，就要判斷有沒有這個文件夾如果沒有就創(chuàng)建一個。然后通過 createWriteStream 方法來把獲取到的數(shù)據(jù)流以文件的形式保存到文件夾里面。

然后我們可以嘗試一下，比如我們捕獲用一下掘金首頁html下的圖片：

// index.js
getImages("https://juejin.cn/")

執(zhí)行后發(fā)現(xiàn)就可以發(fā)現(xiàn)已經(jīng)捕獲到靜態(tài)html里面的所有圖片了。

node index.js

結(jié)語

到了最后，你也可以看到，此代碼可能不適用于SPA（單頁面應(yīng)用）。由于單頁應(yīng)用程序中只有一個 HTML 文件，并且網(wǎng)頁上的所有內(nèi)容都是動態(tài)呈現(xiàn)的，但是萬變不離其宗，不管怎樣，你可以直接處理其數(shù)據(jù)請求，來收集到想要的信息也未嘗不可。

還有一點要說的是，很多小伙伴處理下載圖片的請求用到了 request.js ，當(dāng)然這樣可以的，甚至代碼量更少，但是，我想說的是這個庫在2020年的時候就已經(jīng)被棄用了，最好換一個一直在更新維護的庫比較好。

到此這篇關(guān)于如何利用Node.js做簡單的圖片爬取的文章就介紹到這了,更多相關(guān)Node.js圖片爬取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論